o uso do sensoriamento remoto e da cartografia … · escola de minas. departamento de geologia....

O USO DO SENSORIAMENTO REMOTO E DA CARTOGRAFIA

DIGITAL NA GESTÃO DE BACIAS HIDROGRÁFICAS

AGRÍCOLAS

iii

FUNDAÇÃO UNIVERSIDADE FEDERAL DE OURO PRETO

Reitora

Cláudia Aparecida Marliére de Lima

Vice-Reitor

Hermínio Arias Nalini Júnior

Pró-Reitor de Pesquisa e Pós-Graduação

Sérgio Francisco de Aquino

ESCOLA DE MINAS

Diretor

Issamu Endo

Vice-Diretor

José Geraldo Arantes de Azevedo Brito

DEPARTAMENTO DE GEOLOGIA

Chefe

Luís Antônio Rosa Seixas

iv

EVOLUÇÃO CRUSTAL E RECURSOS NATURAIS

v

CONTRIBUIÇÕES ÀS CIÊNCIAS DA TERRA – VOL. 76

TESE DE DOUTORAMENTO

Nº 347

O USO DO SENSORIAMENTO REMOTO E DA

CARTOGRAFIA DIGITAL NA GESTÃO DE BACIAS

HIDROGRÁFICAS AGRÍCOLAS

Maria Augusta Gonçalves Fujaco

Orientadora

Mariangela Garcia Praça Leite

Tese apresentada ao Programa de Pós-Graduação em Evolução Crustal e Recursos Naturais do

Departamento de Geologia da Escola de Minas da Universidade Federal de Ouro Preto como

requisito parcial à obtenção do Título de Doutor Ciência Naturais, Área de Concentração:

Geologia Ambiental e Conservação de Recursos Naturais

OURO PRETO

2017

vi

Universidade Federal de Ouro Preto – http://www.ufop.br

Escola de Minas - http://www.em.ufop.br

Departamento de Geologia - http://www.degeo.ufop.br/

Programa de Pós-Graduação em Evolução Crustal e Recursos Naturais

Campus Morro do Cruzeiro s/n - Bauxita

35.400-000 Ouro Preto, Minas Gerais

Tel. (31) 3559-1600, Fax: (31) 3559-1606 e-mail: [email protected]

Os direitos de tradução e reprodução reservados.

Nenhuma parte desta publicação poderá ser gravada, armazenada em sistemas eletrônicos,

fotocopiada ou reproduzida por meios mecânicos ou eletrônicos ou utilizada sem a observância

das normas de direito autoral.

ISSN 85-230-0108-6

Depósito Legal na Biblioteca Nacional

Edição 1ª

Catalogação elaborada pela Biblioteca Prof. Luciano Jacques de Moraes do

Sistema de Bibliotecas e Informação - SISBIN - Universidade Federal de Ouro Preto

F961u

Fujaco, Maria Augusta Gonçalves.

O Uso do Sensoriamento Remoto e da Cartografia Digital na Gestão de Bacias

Hidrográficas Agrícolas [manuscrito] / Maria Augusta Gonçalves Fujaco. - 2017.

127f.: il.: color; grafs; tabs; mapas. (D)

Orientador: Profa. Dra. Mariangela Garcia Praça Leite.

Tese (Doutorado) – Universidade Federal de Ouro Preto. Escola de Minas.

Departamento de Geologia. Programa de Pós-Graduação em Evolução Crustal e Recursos

Naturais.

Área de Concentração: Geologia Ambiental e Conservação de Recursos

Naturais.

1. Sensoriamento Remoto. 2. Cartografia Digital. 3. Geoprocessamento. 4.

Bacias Hidrográficas. 5. Paracatu. I. Universidade Federal de Ouro Preto. Escola de

Minas. Departamento de Geologia. II. Título: O Uso do Sensoriamento Remoto e da

Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.

CDU: 550.7

http://www.sisbin.ufop.br

vii

À minha Mãe Maria (in memorian).

À minha irmã Laurinda, por toda a nossa caminhada. Te amo, mana!!

ix

Agradecimentos

Quero agradecer à minha orientadora, Professora Mariangela pela ajuda incansável e pela

transmissão de todo o conhecimento ao longo de todo o trabalho.

À minha companheira Keila, um muito obrigado pelo apoio, pela torcida e paciência. Te amo,

amor!!

À minha querida família, aos meus amados sobrinhos pela torcida, às minhas irmãs por todo o

apoio na nossa caminha. Amo imensamente todos vocês!!

Ao Celso e à Adriana do laboratório de Geoquímica Ambiental (LGqA) do Departamento de

Geologia (DEGEO) pela ajuda constante.

À dona Maria José pelas suas orações.

Ao meu samurai, Botan Go Gaikofu, por estar sempre do meu lado!!

xi

Sumário

AGRADECIMENTOS ............................................................................................................ IX

LISTA DE FIGURAS ............................................................................................................ XV

LISTA DE TABELAS ......................................................................................................... XVII

RESUMO ...............................................................................................................................XIV

ABSTRACT ......................................................................................................................... XXII

CAPÍTULO 1. INTRODUÇÃO ................................................................................................ 1

1.1. Prefácio ................................................................................................................................. 1

1.2. Objetivos de pesquisa ............................................................................................................ 3

1.3. Organização da tese ............................................................................................................... 4

CAPÍTULO 2. CARACTERIZAÇÃO DA ÁREA ESTUDO .................................................. 5

2.1. Localização da Bacia Hidrográfica do rio Paracatu ............................................................... 5

2.2. Geologia da Bacia Hidrográfica do rio Paracatu ................................................................... 7

2.3. Geomorfologia da Bacia Hidrográfica do rio Paracatu .......................................................... 9

2.4. Solos da Bacia Hidrográfica do rio Paracatu ....................................................................... 12

2.5. Caracterização da Área de estudo ........................................................................................ 14

2.5.1. Sub bacias hidrográficas do rio Paracatu ................................................................ 14

CAPÍTULO 3. MATERIAS E MÉTODOS ............................................................................ 19

3.1. Evapotranspiração ............................................................................................................... 19

3.1.1. Estimativa da evapotranspiração – método convencional....................................... 19

3.1.2. Índice de evapotranspiração através de imagens MODIS - MOD16 ...................... 20

3.2 Mapas de uso e ocupação através das imagens ASTER – Algoritmo Likelihood ................. 20

3.3. Desenvolvimento do script “USLE Paracatu Watershed” em ambiente SIG ....................... 21

3.3.1. Fontes de dados usados para a determinação da USLE .......................................... 22

3.3.2. Fator de erosividade da chuva (R) .......................................................................... 22

3.3.3. Fator topográfico (LS) ............................................................................................ 24

3.3.4. Fator de erodibilidade dos solos (K) ....................................................................... 27

3.3.5. Fator de uso e ocupação do solo (C) e práticas conservacionistas (P) .................... 27

3.4. Análise dos parâmetros físico químicos e coleta de água para análise das sub bacias de

Entre Ribeiros, Rio Escuro e Rio Verde ..................................................................................... 28

3.5. Análise geoquímica dos sedimentos e solos – Entre Ribeiros, Rio escuro e Rio Verde....... 30

xii

CAPÍTULO 4. USE OF MODIS SATELLITE DATA TO CALCULATE

EVAPOTRANSPIRATION IN TROPICAL AGRICULTURAL RIVER BASINS ........... 31

4.1. Introduction ......................................................................................................................... 32

4.2. Material and methods .......................................................................................................... 33

4.2.1. Study area............................................................................................................... 33

4.2.2. Land use and land cover ......................................................................................... 34

4.2.3. Data acquisition and MODIS – MOD16A2 extraction ........................................... 34

4.2.4. Evapotranspiration (ET) calculation ....................................................................... 35

4.2.5. Data Analysis ......................................................................................................... 35

4.3. Results and discussion ......................................................................................................... 36

4.4. Conclusions ......................................................................................................................... 45

CAPÍTULO 5. AGRICULTURAL INFLUENCE ON THE HYDROGEOCHEMISTRY

OF THE SUB BASINS OF THE VERDE, ENTRE RIBEIROS AND ESCURO RIVERS

OF PARACATU HYDROGRAPHIC BASIN (MG) –BRAZIL. ........................................ 47

5.1. Introduction ......................................................................................................................... 48

5.2. Location and Characterization ............................................................................................. 51

5.3. Material and Methods .......................................................................................................... 53

5.3.1. Sampling point selection ........................................................................................ 53

5.3.2. Physical chemical Analysis .................................................................................... 53


5.5. Conclusions ......................................................................................................................... 60

CAPÍTULO 6. A GIS-BASED TOOL FOR ESTIMATING SOIL LOSS IN

AGRICULTURAL RIVER BASINS. ..................................................................................... 63

6.1. Introduction ......................................................................................................................... 64

6.2. Material and Methods .......................................................................................................... 65

6.2.1. Description of the study area .................................................................................. 65

6.2.2. Data sources and precessing methods..................................................................... 67

6.2.2.1. USLE factors ............................................................................................. 67

6.2.3. Development of the “USLE Paracatu Watershed” script ........................................ 68

6.2.4. Data validation ....................................................................................................... 71

6.2.4.1. Total soil loss (A) ...................................................................................... 71

6.2.4.2. Sedimentological data ............................................................................... 71

6.2.4.3. Sediment delivery...................................................................................... 72


6.3.1. Processing time optimization ................................................................................. 72

6.3.2. Soil loss and geographical distribution of soil erosions .......................................... 72

6.3.3. Results and validation ............................................................................................ 75

xiii

6.4. Conclusions ......................................................................................................................... 75

CAPÍTULO 7. USO DE SENSORIAMENTO REMOTO E CARTOGRAFIA DIGITAL

NA GESTÃO DA QUALIDADE DE SOLOS E SEDIMENTOS FLUVIAIS EM BACIAS

HIDROGRÁFICAS AGRÍCOLAS. ........................................................................................ 77

7.1. Introduction ......................................................................................................................... 79

7.2. Objetivo............................................................................................................................... 79

7.3. Materiais e Métodos ............................................................................................................ 80

7.3.1. Área de estudo ........................................................................................................ 80

7.3.2. Classificação supervisionada do uso e ocupação do solo ....................................... 81

7.3.3. Coleta das amostras de solo e sedimento na área de estudo .................................... 81

7.3.4. Análise geoquímica dos sedimentos e solos ........................................................... 83

7.3.5. Análises estatísticas e espaciais .............................................................................. 83

7.4. Resultados e Discussão ....................................................................................................... 84

7.4.1. Solos ...................................................................................................................... 84

7.4.2. Sedimentos ............................................................................................................. 89

7.5. Conclusions ......................................................................................................................... 93

CAPÍTULO 8. CONCLUSÕES .............................................................................................. 95

8.1. Conclusions ......................................................................................................................... 95

REFERÊNCIAS BIBLIOGRÁFICAS.................................................................................... 97

BANCA EXAMINADORA (Ficha de Aprovação) ............................................................... 105

xv

Lista de Ilustrações

Figura 2.1- Localização geográfica da Bacia Hidrográfica do Rio Paracatu (BHRP) no estado

de Minas Gerais ........................................................................................................................ 6

Figura 2.2- Municípios pertencentes à Bacia Hidrográfica do Rio Paracatu (BHRP) no estado

de Minas .................................................................................................................................... 7

Figura 2.3- Mapa Lito - Estratigráfico da bacia hidrográfica de Paracatu ..................................... 9

Figura 2.4- Unidades Geomorfológicas de Bacia Hidrográfica do Rio Paracatu (Fonte:

Adaptado de IGAM, 2006)........................................................................................................ 10

Figura 2.5- Modelo Digital de elevação da bacia do rio Paracatu – sensor ASTER ....... .............. 11

Figura 2.6- Mapa do MDT ASTER: A – Sub bacia Entre Ribeiros; B – sub bacia de Rio

Escuro; C – sub bacia de Rio Verde .......................................................................................... 12

Figura 2.7 - Mapa de classes de solo agrupadas da Bacia Hidrográfica do Rio Paracatu...... ......... 13

Figura 2.8 - Mapa de localização da sub bacia Entre Ribeiros – LANDSAT TM 5 ...................... 15

Figura 2.9 - Mapa de localização da sub Rio Verde - LANDSAT TM 5 (243) ............................. 16

Figura 2.10 - Mapa de localização da sub Rio Escuro - LANDSAT TM 5 (243) ............................. 17

Figura 3.1 - Fluxograma na interface Modelbuilder ilustrando o conjunto de operações de

geoprocessamento utilizadas pelo script “USLE Paracatu Watershed”, para efetuar o cálculo

de perda do solo (A). Os inputs de dados estão representados em azul, em amarelo estão as

equações (algoritmos) e os outputs estão em verde (desde os produtos intermediários ao

final). ......................................................................................................................................... 25

Figura 3.2- Equipamentos utilizados em campo na determinação dos parâmetros físicos: a -

multiparâmetro (Condutividade, Eh, TDS, pH) ; b – turbídimetro e c-oxímetro. ...................... 28

Figura 3.3 - Coleta das amostras de água no campo ...................................................................... 28

Figura 4.1- Localization map of sub-basins: Entre Ribeiros, Rio Escuro and Rio Verde .............. 34

Figura 4.2- Land use and occupation maps of sub-basins: a) Rio Escuro; B) Rio Verde; C)

Entre Ribeiros ........................................................................................................................... 37

Figura 4.3- – Evapotranspiration maps of sub-basins for the year 2001: a) Rio Escuro; B) Rio

Verde; C) Entre Ribeiros ........................................................................................................... 39

Figura 4.4- – Evapotranspiration maps of sub-basins for the year 2004: a) Rio Escuro; B) Rio

Verde; C) Entre Ribeiros ........................................................................................................... 40

Figura 4.5- Evapotranspiration maps of sub-basins: a) Rio Escuro (2013); B) Rio Verde (2014)

and C) Entre Ribeiros (2013) .................................................................................................... 41

Figura 4.6- Boxplot graphs with ET data obtained from MODIS images for the three sub-

basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros ............................................................ 43

xvi

Figura 5.1- Paracatu basin and sub basins location map ................................................................ 49

Figura 5.2- Water quality monitoring points (IGAM) ................................................................... 50

Figura 6.1- Localization map of sub basins: Entre Ribeiros, Rio Escuro and Rio Verde, with the

sedimentological and weather stations ...................................................................................... 66

Figura 6.2- Flowchart in the ModelBuilder interface illustrating the set of geoprocessing

operations used by the "USLE Paracatu Watershed" script to perform the soil loss calculation

(A). Input data are represented in blue, equations (algorithms) are in yellow and the output

data are in green (from intermediate to final products) ............................................................. 70

Figura 6.3- Soil Lost Script Tool window in Arctoolbox .............................................................. 71

Figura 6.4- a - Spatial soil erosion distribution (A) of the Entre Ribeiros sub-basin; b – Rio

Escuro subbasin; c- Rio Verde sub basin ................................................................................ 74

Figura 7.1- Mapa da bacia hidrográfica do rio Paracatu, com destaque para as três sub-bacias

estudadas.. ................................................................................................................................. 80

Figura 7.2- Mapa de distribuição de solos e pontos de amostragem de sedimentos e solos nas

três sub- bacias, sobre o mapa de solos: A – Sub-bacia do Rio escuro; B – Sub-bacia de Entre

Ribeiros; C – Sub-bacia do Rio Verde ...................................................................................... 82

Figura 7.3- Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia

de Entre Ribeiros ....................................................................................................................... 86


de Rio escuro............................................................................................................................. 87


de Rio Verde ............................................................................................................................. 88

Figura 7.6- Mapas de uso e ocupação da sub bacia do Rv, mostrando a distribuição da

concentração dos metais, Cr, Cu Ni .......................................................................................... 90

Figura 7.7- Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da


Figura 7.8- Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da


xvii

Lista de Tabelas

Tabela 3.1- Fonte de dados usada para a determinação dos diferentes fatores da equação da

USLE, das sub-bacias de Entre Ribeiros, Rio Escuro e Rio Verde............................................ 21

Tabela 3.2- Valores de erodibilidade (K) por classes de solos das três sub-bacias (Adaptado de

Silva, 2004) ............................................................................................................................... 26

Tabela 3.3- Valores do fator CP das sub bacias (Adaptado de Silva, 2004) .................................. 27

Tabela 4.1- Detailed table with soil use and occupation data of the three sub-basins....... ............. 38

Tabela 4.2- Climatological data of the Paracatu meteorological station (Sources: INMET and

ANA) total (rainfall and net discharge) and averages for the months of July (temperature and

evaporation). Potential evapotranspiration (ETp) values were calculated using the Thorthwait

method for the months of July ............................................................................................... 44

Tabela 5.1- Classes of the use, occupation and vegetal cover of the studied sub basins..... ........... 52

Tabela 5.2- Results of physical chemical parameters analyzed in ER subbasin ............................ 54

Tabela 5.3- Results of physical chemical parameters analyzed in ERR sub basin ......................... 55

Tabela 5.4- Results of physical chemical parameters analyzed VR subbasin ................................ 55

Tabela 5.5- Concentration of major and trace elements in VR subbasin Waters ........................... 57

Tabela 5.6- Concentration of major and trace elements in ERR subbasin Waters ......................... 58

Tabela 5.7- Concentration of major and trace elements in ER subbasin waters............................. 59

Tabela 6.1- Total annual sediment load (t/year) in Santa Rosa and Porto Alegre stations ............. 71

Tabela 6.2- Sediment contribution (%) and soil loss average (A) in the stations and sub-basins .. 75

Tabela 6.3- Estimated loss soil contribution (%) based on sub-basin áreas ................................... 75

Tabela 7.1- Áreas e percentagens das classes de uso e ocupação nas três sub-bacias estudadas .... 84

Tabela 7.2- - Resultados da geoquímica dos solos das sub bacias de : Rio Verde, Entre Ribeiros

e Rio Escuro .............................................................................................................................. 85

Tabela 7.3- - Resultados da geoquímica dos sedimentos das sub-bacias de: Rio Verde, Entre

Ribeiros e Rio Escuro................................................................................................................ 89

xix

Resumo

A partir do lançamento dos primeiros satélites, a comunidade científica tem tido acesso a novas

ferramentas para enfrentar os vários problemas ambientais (espaciais), como por exemplo,

degradação das florestas, erosão dos solos, índices como NDVI/SAVI/IAF, estimativa da

evapotranspiração, monitoramento de fenômenos climáticos e uso da terra. Todos estes

“parâmetros” eram monitorados e /ou estimados somente com dados de campo, no entanto, as

inovações das geotecnologias como o sensoriamento remoto e a cartografia digital deram uma

nova dimensão para a compreensão e resolução dos problemas ecológicos, climáticos e

ambientais. Neste estudo, as três sub-bacias de Entre Ribeiros (ET), Rio Escuro (RE) e Rio

Verde (RV), localizadas na bacia hidrográfica do rio Paracatu, todas com áreas superiores a

1000km2, estão sob uma grande pressão de atividades agropecuárias e silvicultura. Estas

atividades envolvem o uso da água do rio Paracatu e seus contribuintes, estando assim, os seus

recursos hídricos sobre uma grande demanda, necessitando para um monitoramento constante

não só da qualidade da água, mas também da sua disponibilidade para as diversas atividades

antrópicas e manutenção dos ecossistemas aquáticos. Outro grande problema envolvendo estas

áreas é susceptibilidade dos solos a processos erosivos, daí a grande necessidade do

mapeamento das áreas mais sensíveis a tais processos, para que assim se faça uma gestão

adequada dos mesmos. Com o intuito de desenvolver ferramentas num ambiente em SIG que

permitirão num futuro uma gestão integrada de dados (estimativa da evapotranspiração,

qualidade da água, uso do solo, erosão do solo, qualidade de sedimentos fluviais) nestas três

sub-bacias, foram usadas várias geotecnologias. A evapotranspiração (ET) foi estimada usando

imagens de satélite MODIS – MOD16 num período de treze anos (2001 a 2014) e os resultados

comparados com dados das escassas estações meteorológicas existentes nas três sub-bacias. Os

mapas anuais da ET demonstraram que os maiores valores se encontraram nas áreas de

silvicultura. A análise temporal da ET evidenciou um aumento progressivo ao longo de treze

anos estudados. Os primeiros resultados das análises da qualidade da água evidenciaram que as

águas sofrem influência da atividade agrícola, tendo sido encontrados em alguns pontos de

amostragem concentrações de metais pesados acima dos recomendados pela resolução

CONAMA 357/05, colocando a água nas classes 3 e 4. Para se identificar as áreas mais

susceptíveis à erosão foi criado um script baseado na equação USLE em ambiente SIG, que

pode ser adicionado via “Arctoolbox” no software ArcGIS. O modelo foi validado e mostrou-se

eficaz na estimativa da erosão nas três sub-bacias em estudo. A criação do algoritmo, permitiu

uma interface amigável no ambiente do ArcGIS, em que o usuário só tem que adicionar as

xx

variáveis da equação da USLE, e o software processará os algoritmos automaticamente, gerando

o mapa final com a perda do solo em T/ha.ano. No que diz respeito aos sedimentos fluviais os

dados indicam contaminação destes por metais pesados, tais como: As, Cd, Cr, Ni, Pb e Zn. Os

mapas de uso e ocupação do solo quando cruzados com os mapas de concentração dos metais

pesados permitiram inferir a origem provável desses elementos nos sedimentos, pois os maiores

valores ficaram registrados nas áreas de silvicultura ou à jusante dos pivôs de irrigação. O uso

conjunto do sensoriamento remoto e da cartografia digital na caracterização e monitoramento

destas três sub-bacias demonstrou a sua elevada potencialidade na gestão de grandes áreas,

devido à robustez dos dados criados e à facilitação do entendimento dos problemas ambientais

para os agentes públicos, empresários e população em geral.

Palavras - chave – Sensoriamento Remoto, Cartografia Digital, USLE, SIG script, MODIS,

bacia hidrográfica, Paracatu.

xxi

Abstract

Since the launch of the first satellites, scientific community has had access to new tools to

address the various (space) environmental problems, such as forest degradation, soil erosion,

index such as NDVI/SAVI/IAF, evapotranspiration calculations and the monitoring of climatic

changes and land use. All these "parameters" were monitored and/or estimated only with field

data, however, the innovations in geotechnologies, such as remote sensing and digital

cartography, gave a new dimension to the understanding and resolution of ecological, climatic

and environmental problems. In this study, the three sub-basins of Entre Ribeiros (ET), Rio

Escuro (RE) and Rio Verde (RV), located in the Paracatu river basin, all covering areas over a

1000km2, are under great pressure due to agricultural, pasture and silviculture activities. These

activities involve the use of water from the Paracatu River and other rivers and creeks, thus,

their water resources are in great demand, necessitating constant monitoring not only for water

quality, but also for water availability for the various anthropogenic activities and maintenance

of aquatic ecosystems. Another major problem involving these areas is the susceptibility of soils

to erosive processes, what demands the definition and location of the most sensitive areas to

such processes, to enable a proper management. In order to develop tools in a GIS environment

that will allow future integrated data management (estimation of evapotranspiration, water

quality, soil use, soil erosion, quality of fluvial sediments) in these three sub-basins, several

geotechnologies were used. The evapotranspiration (ET) was estimated using MODIS-MOD16

satellite images over a period of thirteen years (2001 to 2014) and the results compared with

data from the scarce meteorological stations in the three sub-basins. The annual ET maps

showed that the highest values were found in the silviculture areas. The temporal analysis of ET

showed a progressive increase over the 13 years studied. The first results of the water quality

analysis showed that the waters are influenced by agricultural activity, and at some sampling

points concentrations of heavy metals were found above those recommended by CONAMA

Resolution 357/05, placing the water in classes 3 and 4. To identify most susceptible areas to

erosion, a script was created based on the USLE equation in GIS environment, which can be

added via "Arctoolbox" in ArcGIS software. The model was validated and proved to be

effective in estimating erosion in the three sub-basins studied. The creation of the algorithm

allowed a user-friendly interface in the ArcGIS environment, in which the user has only to add

the variables of the USLE equation, and the software will process the algorithms automatic,

generating the final map with the soil loss in T/ha.year. In relation to fluvial sediments, the data

indicate contamination of these materials by heavy metals, such as: As, Cd, Cr, Ni, Pb and Zn.

The maps of land use and occupation when crossed with the maps of heavy metals

xxii

concentrations allowed inferring the probable origin of these elements in the sediments, since

the highest values were registered in the silviculture areas or downstream of the irrigation

pivots. The joint use of remote sensing and digital cartography in the characterization and

monitoring of the three sub-basins demonstrated their high potential in managing large areas,

due to the robustness of the data created and to facilitate stakeholders understanding of the

environmental problems.

Keywords – Remote sensing, Digital Cartography, USLE, GIS script, river basins, Paracatu.

CAPÍTULO 1

INTRODUÇÃO

1.1- PREFÁCIO

Ao longo da historia evolutiva da humanidade, os recurso hídricos têm sido um dos fatores

principais, senão o principal, no desenvolvimento das grandes civilizações. Nos dias de hoje, estes não

deixam de ter a mesma a importância econômica, sendo a base pra o desenvolvimento de grandes atividades

econômicas, como o caso da agropecuária e da agricultura intensiva (irrigação por pivôs). As relações entre o

uso do solo e a utilização de recursos hídricos têm sido bastante conflituosas, trazendo normalmente

consequências negativas para o meio ambiente em vários níveis, quer pela redução e poluição das águas dos

rios, quer pelo transporte e/ou contaminação de sedimentos. A demanda pelos recursos hídricos e diminuição

da quantidade/qualidade da água tem aumentado em diferentes partes do mundo como consequência de um

rápido crescimento sócio econômico, intensificado pelo desenvolvimento tecnológico e pela globalização

econômica. Os impactos registrados na qualidade de solos, sedimento e água de grandes bacias hidrográficas

estão, na sua maioria, relacionados com às atividades antrópicas, como agricultura não sustentável,

silvicultura, pecuária e também com o lançamento inadequado de sólidos e líquidos gerados pelas atividades

domésticas e industriais.

Estas atividades, em especial as agropecuárias, contribuem para outro problema em escala global

e/ou regional, que são as mudanças climáticas globais, e que hoje em dia estamos vendo as consequências

diretas no clima das diversas regiões do globo. Vários trabalhos têm sido desenvolvidos abordando esta linha

de pesquisa com o objetivo de identificar e caracterizar quais as atividades que mais contribuem para as

mudanças globais, desde o impacto do uso e ocupação do solo na temperatura de superfície das áreas

carsticas na China (Xiao et al., 2007), à sua evolução no solo do semiárido mediterrâneo do norte de Espanha

(Lasanta & Serrano, 2012), ou ao seu impacto no balanço hídrico de bacias hidrográficas (Wang et al., 2011;

Nosetto et al., 2012). As mudanças no uso e ocupação do solo influenciam diretamente componentes que

regulam o clima regional/global na superfície terrestre, tais como: a temperatura, a evapotranspiração (ET) e

índices de vegetação - biomassa - como índice de vegetação por diferença normalizada (NDVI) e o

Enchanged Vegetation Indice (EVI), ou seja, a determinação de tais parâmetros é extrema importância, pois

irá permitir a tomada de decisões mais conscientes acerca da conservação, desenvolvimento e gestão dos

recursos hídricos de uma determinada região. De todos os parâmetros mencionados anteriormente a ET, é

largamente usada para o dimensionamento e manejo de sistemas de irrigação, pois quantifica a água usada

nos processos de evaporação e transpiração pelas plantas durante um período de tempo (Faria et al., 2000),

realçando assim a importância da sua estimativa em bacias intensamente ocupadas por áreas com diversas

atividades antrópicas, como é o caso da Bacia Hidrográfica do Rio Paracatu (BHRP).

Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.

2

Com as transformações climáticas advêm as mudanças no regime de chuvas, que se tornam mais

concentradas e torrenciais, aumentando sua capacidade de erosão e transporte de partículas dos solos.

Atualmente, a erosão do solo é um grave problema, que ameaça em especial as bacias hidrográficas em

regiões tropicais, com intenso uso agrícola (Sreeja et al., 2015). Tais processos erosivos não só promovem a

perda da fertilidade do solo, como também aumentam o volume de material particulado carreado para rios,

reservatórios e mares, onde ocorre a deposição dos mesmos e consequentemente assoreamento, deteriorando

a qualidade de seus ecossistemas. Deste modo, torna-se primordial, um conhecimento prévio da

susceptibilidade dos solos destas áreas, para que assim, se faça um manejo adequado e se tenham as

melhores medidas de conservação. A modelagem pode fornecer uma abordagem quantitativa e consistente na

estimativa da erosão (perda) do solo sob uma ampla gama de condições.

A dinâmica de grandes produções agropecuárias e de silvicultura exige muitos insumos (adubos,

pesticidas, herbicidas), que se não forem usados de uma forma racional causam grandes contaminações,

tornando-se deste modo necessário manter um monitoramento das águas dos rios para garantir um controle

das atividades desenvolvidas nas bacias. A análise dos impactos ambientais causados pelas atividades

antrópicas em bacias hidrográficas engloba a coleta de dados in situ de água e coleta de amostras, de água,

solo e sedimento através das quais poderão ser identificados e quantificados os elementos contaminantes

consequentes do uso intensivo e não racional do solo por essas atividades. Nas últimas décadas, uma atenção

especial vem sendo dada à contaminação desses compartimentos por metais derivados do uso de produtos

agroquímicos. Na Inglaterra, Nicholson et al. (2003), trabalhando com o solo das áreas agrícolas, detectaram

a presença de Zn, Cu, Ni, Pb, Cd, Cr, As e Hg, os quais estariam disponíveis para carreamento para os cursos

de água. Ungureanu et al. (2016) estudando 193 amostras de solos na região de Vaslui (Romênia),

conseguiram relacionar as elevadas concentrações de As, Cd, Co, Cr, Cu, Ni, Pb, e Zn com as atividades

agrícolas. Meybeck et al. (2007) descrevem a contaminação das águas do rio Seine (França) por Cd, Cr, Cu,

Hg, Pb e Zn, derivados das atividades industriais e agrícolas nos últimos 50 anos. Chetelat et al. (2008)

associam grande parte dos elementos encontrados nas águas dos reservatórios da bacia de Changjiang

(China) à atividade agrícola na região. Também na China, Chen et al. (2002) já haviam detectado a presença

de Ca, Mg, Na, K, HCO3, SO4, Cl, e S) nas águas do rio Yangtze, associando esses elementos às atividades

agropecuárias da área. No Brasil, também já existem vários trabalhos sobre o assunto, como é o caso de

Ramalho et al. (2000), que ao estudarem a micro-bacia de Caetés conseguiram comprovar que a aplicação

intensiva de agroquímicos provocou uma elevação das concentrações de metais pesados nas águas e

sedimentos acima dos padrões máximos estabelecidos em água potável pelo Ministério da Saúde. No

trabalho de Santos et al. (2009) foram detectados valores de cádmio e chumbo acima do limite máximo

estabelecido pela Resolução CONAMA 357/2005.

Apesar do esforço governamental em aumentar a rede básica de monitoramento dos recursos hídricos

no território brasileiro a grande extensão do país torna os custos operacionais praticamente proibitivos. A

bacia hidrográfica do rio Paracatu é um exemplo clássico, tem uma área de (45047,56km2) com apenas duas

Contribuições às Ciências da Terra, Série D, vol. 76, 105p.

3

estações com coleta de sedimentos, o Porto das Poças e Santa Rosa, e 21 estações meteorológicas, uma

elevada exploração agropecuária e silvicultura, onde existem grandes conflitos na demanda de água e

modificações na paisagem como a retirada da grande parte da vegetação nativa de cerrado levando ao

agravamento de processos erosivos, compactação do solo, erosão laminar e contaminação dos recursos

hídricos Face ao exposto, é premente a necessidade de ferramentas que permitam uma gestão eficiente e

otimizada dos recursos ambientais. O uso de geotecnologias têm dado uma nova dimensão para a

compreensão e abordagem dos problemas ecológicos. O desenvolvimento destas metodologias geoespaciais,

as quais são formadas pelo conjunto de várias áreas tecnológicas, como: sensoriamento remoto, cartografia

digital e modelagem espacial, permitem oferecer soluções para muitos dos problemas ambientais

encontrados (Joseph et al., 2011), como a estimativa da evapotranspiração (Nagler et al., 2005; Mu et al.,

2007; Nagler et al., 2009; Mu et al., 2011), a estimativa de perda de solo usando a USLE (Fujaco et al.,

2016; Ganasri et al., 2016) e mapeamento da distribuição dos metais pesados nos diversos compartimentos

de uma bacia hidrográfica (Carr et al., 2008).

Obviamente que para se monitorar uma área de tamanha dimensão é necessário um sistema que

permita um monitoramento em nível regional. É aqui que as técnicas de sensoriamento remoto (SR) se

tornam eficazes, pois permitem a aquisição de dados a nível local, regional e global, que quando aliados a

dados pontuais, obtidos a partir de coletas e medições in situ, conferem elevada confiabilidade às

interpretações e facilitam as tomadas de decisão no que tange a gestão dos recursos ambientais.

1.2 - OBJETIVOS DA PESQUISA

O presente trabalho visou avaliar a importância do uso das geotecnologias como o sensoriamento

remoto e da cartografia digital para estimar os impactos do uso e ocupação da terra em grandes bacias

hidrográficas agrícolas, de forma a fornecer ferramentas para melhorar a gestão ambiental destas áreas. O

caso de estudo desenvolveu-se em três sub bacias hidrográficas pertencentes à bacia hidrográfica do rio

Paracatu, sendo elas: a) sub bacia de Entre Ribeiros (ER); b) sub bacia de Rio Escuro (RE) e c) sub bacia de

Rio Verde (RV), as quais são caracterizadas por uma elevada atividade agropecuária e silvicultura e

possuírem áreas superiores a 1000 Km2.


4

1.3 - ORGANIZAÇÃO DA TESE

A estrutura da tese obedece à modalidade de integração de artigos científicos, de acordo com o

regulamento geral do programa de Pós Graduação em Evolução Crustal e Recursos Naturais do

Departamento de Geologia da Universidade Federal de Ouro Preto. A tese foi organizada nos seguintes

capítulos: Capítulo 1: é o capítulo introdutório ao tema a ser pesquisado, problemas abordados e objetivos;

Capítulo 2: corresponde à caracterização da área de estudo; Capítulo 3: corresponde aos materiais e

métodos usados na pesquisa; Capítulo 4: apresenta o artigo “Use of Modis Satellite data to calculate

evapotranspiration in tropical agricultural river basins”. Este artigo teve como objetivo comparar diferentes

métodos na estimativa da evapotranspiração, métodos usando técnicas de sensoriamento remoto, como o

produto MOD16A, das imagens MODIS, e técnicas convencionais, como o método de Thorthwaite.

Capítulo 5: apresenta o artigo “Agricultural influence on the hydrogeochemistry of the sub basins of the

Verde, Entre Ribeiros and Escuro Rivers of Paracatu Hydrographic Basin (MG) –Brazil”, através do

qual se caracterizou a geoquímica das águas das três sub bacias. Capítulo 6: apresenta o artigo: “A

Gis-Based Tool For Estimating Soil Loss In Agricultural River Basins”; o qual apresenta o desenvolvimento

de um script em ambiente de SIG, baseado na equação USLE, na determinação da perda do solo nas três sub

bacias estudadas. Capítulo 7: apresenta o artigo: “Uso de sensoriamento remoto e cartografia digital na

gestão da qualidade de solos e sedimentos fluviais em bacias hidrográficas agrícolas”; no qual são aplicadas

técnicas de cartografia digital na espacialização dos elementos químicos dos solos e sedimentos das três sub

bacias. Capítulo 8: descreve as conclusões desta pesquisa e as recomendações para trabalhos futuros.

CAPÍTULO 2

CARACTERIZAÇÃO DA ÁREA DE ESTUDO

2.1- LOCALIZAÇÃO DA BACIA HIDROGRÁFICA DO RIO PARACATU

No caso de estudos do ciclo hidrológico, uma bacia hidrográfica funciona como unidade básica de

estudo. Esta é definida como uma área natural de captação de água proveniente da precipitação, a qual faz

convergir os escoamentos para um único ponto de saída, seu exutório, ou seja, é um sistema em que a

entrada é o volume de água precipitado e a saída é o volume de água escoado no exutório (TUCCI, 2000).

De acordo com a Secretaria de Recursos Hídricos (SRH) do Ministério do Meio Ambiente (MMA), o

território brasileiro é dividido em oito grandes bacias hidrográficas. De acordo com a Agência Nacional de

Águas (ANA), estas bacias são designadas por códigos: Bacia 1 – Rio Amazonas; Bacia 2 – Rio Tocantins;

Bacia 3 – Atlântico, Trecho Norte/Nordeste; Bacia 4 – Rio São Francisco; Bacia 5 – Atlântico, Trecho Leste;

Bacia 6 – Rio Paraná; Bacia 7 – Rio Uruguai; Bacia 8 – Atlântico, Trecho Sudeste. A Bacia Hidrográfica de

Paracatu (BHRP) está inserida na Bacia 4 (Bacia do rio São Francisco) (Figura 2.1). A Bacia Hidrográfica do

Rio Paracatu está inserida entre as coordenadas geográficas 15°30’/ 19°30’S e 45°10’/ 47°30’W abrangendo

uma área de 45047,56km2, sendo que 92% dessa área, aproximadamente 41.600 Km

2, localizam-se no estado

de Minas Gerais, e o restante, 5% e 3%, pertencem ao estado de Goiás e ao Distrito Federal, respectivamente

(IGAM, 2006). O clima da bacia do rio Paracatu é classificado como megatérmico chuvoso do tipo Aw

(Koepen), ou seja, apresenta uma estação chuvosa no verão, de outubro a abril (chove 93% do total anual), e

uma estação seca no inverno, de maio a outubro, em que a precipitação é mínima e a temperatura é amena,

apresentando uma temperatura mínima média mensal de 180C (IGAM, 2006). Na Figura 2.2 encontram-se os

municípios pertencentes à BHRP que abrangem o estado de MG, bem como a população de cada um deles.

Segundo, Atlas (2012), a ocupação da BHRP data do início do século XVIII, tendo sido voltada

desde então para as atividades extrativistas. Com a descoberta de ouro na região, inúmeras expedições

convergiram para lá, propiciando o estabelecimento de pontos de passagem e apoio às incursões

exploratórias, formando primitivos aglomerados populacionais. Com a decadência da mineração a partir da

segunda metade do século XVIII, a pecuária passou a representar a principal atividade dessa área, permitindo

uma ocupação populacional e produtiva do território, embora insuficiente para imprimir dinamismo ao

processo de desenvolvimento regional. Esta situação se transforma nas décadas de 60 e 70 com a mudança

da capital federal para Brasília e a implantação de programas voltados para o aproveitamento de seus

recursos econômicos, principalmente no que diz respeito à expansão da fronteira agrícola. Desde então, a

região desempenha um papel preponderante na economia regional, com a produção de grãos (IGAM, 2006).

A bacia possui grandes projetos de irrigação, com os maiores pivôs do país, o que tem levado a grandes

conflitos associados ao uso de água.


6

Figura 2.1- Localização geográfica da Bacia Hidrográfica do Rio Paracatu (BHRP) no estado de Minas

Gerais.


7

Figura 2.2- Municípios pertencentes à Bacia Hidrográfica do Rio Paracatu (BHRP) no estado de Minas.


8

2.2 - GEOLOGIA DA BACIA HIDROGRÁFICA DO RIO PARACATU

A geologia da bacia hidrográfica do rio Paracatu (Figura 2.3) é constituída por rochas précambrianas

e por uma seqüência de depósitos sedimentares de idade cretácica, além de sedimentos e coberturas detríticas

do terciário-quaternário. De acordo com o RURALMINAS (1996), a geologia da área é formada, da base

para o topo pelas seguintes unidades geológicas: Formação Paracatu, composta por filitos carbonosos ou

não e quartzitos; Formação Vazante, constituída por ardósias, fosforitos, quartzitos, pelitos, calcários,

dolomitos, cherts e conglomerados; Grupo Canastra, constituído por quartzitos, filitos e xistos. Grupo

Bambuí, representado pela Formação Três Marias (arcósios e pelitos) e Subgrupo Paraopeba (siltitos,

calcários, pelitos, dolomitos e verdetes), ambos do Proterozóico Superior. Aflora principalmente na região

centro-sul da área. Grupo Santa Fé, constituído por diamictitos e arenitos do Permacarbonífero; Grupo

Areado, composto por arenitos, conglomerados, pelitos, calcretes e cherts do Cretácio Inferior; Formação

Capacete, do Grupo Mata da Corda, constituída por arenitos do Cretáceo Superior. Distribuem-se na porção

oriental da bacia; Coberturas detrítico-lateríticas, detríticas e eluvionares terciárias; e depósitos coluvionares,

aluvionares e de terraços cenozóicos. Predominam na região central da bacia e ao longo das calhas dos rios

Paracatu e Preto.

A região de Paracatu de acordo com Almeida (1977) insere-se na faixa de dobramentos de Brasília e

abrange uma pequena porção de uma unidade geotectônica maior, pré-brasiliana denominada por Cratón São

Francisco. De acordo com (Fuck, 1994), os metassedimentos do Grupo Vazante devem-se à sedimentação de

margem passiva neoproterozóica na borda do Cráton de São Francisco. A oeste, o Grupo Vazante é

cavalgado pelo grupo canastra ou pela sequência de filitos e quartizitos da formação Paracatu e a Leste pelos

sedimentos da porção superior do grupo Bambuí (Souza, 1997). O Subgrupo Paraopeba, pertencente ao

Grupo Bambui, coincide com as zonas marginais de deformação (Mulholland, 2009). As coberturas

detríticas terciário-quaternárias depositam-se em discordância erosiva sobre as demais coberturas

estratigráficas (RURALMINAS, 1996). As coberturas detríticas mais antigas estão sobre os planaltos de 800

a 1000 metros de altitude. São resultantes de uma fase de aplainamento do cretáceo superior/terciário

inferior, desenvolvendo-se predominantemente sobre os Grupos Mata da Corda e Aerado e Formação

Urucuia (RURALMINAS, 1996). As coberturas na depressão da bacia (400 a 600 metros de altitude), por

sua vez, são mais recentes, mas também originadas de detritos das formações cretáceas.


9

Figura 2.3 - Mapa Lito - Estratigráfico da bacia hidrográfica de Paracatu (Fonte: CETEC, 1981).

2.3 GEOMORFOLOGIA DA BACIA HIDROGRÁFICA DO RIO PARACATU

Os mapas das (Figuras 2.5, 2.6) representam a altimetria e declividade da bacia hidrográfica do rio

Paracatu. Os valores de altimetria oscilam entre 515m a 945m, enquanto que a declividade ao longo da bacia

se encontra predominantemente entre 0-3,6 graus.

A bacia hidrográfica de Paracatu é caracterizada basicamente por três unidades de relevo: 1- Planaltos

de São Francisco; 2 – Depressão Sanfranciscana; 3- Cristas de Unaí (Figura 2.4).


10

Figura 2.4 - Unidades Geomorfológicas de Bacia Hidrográfica do Rio Paracatu (Fonte: Adaptado de IGAM,

2006).

Os planaltos correspondem a extensas superfícies tabulares ou chapadas em altitudes que oscilam

entre 800 a 1000 metros, com a presença de capeamentos sedimentares. Durante a fase aplainamento,

ocorrida no Cretáceo Superior e Terciário Inferior, estas superfícies tabulares desenvolveram-se sobre os

arenitos dos Grupos Mata da Corda e Areado e da Formação Urucuia (IGAM, 2006). O topo das chapadas é

constituído por latossolos bem desenvolvidos e permeáveis (Mulholland, 2009).

A unidade geomorfológica denominada por Depressão Sanfranciscana corresponde a áreas

rebaixadas e aplanadas ao longo dos vales do Rio São Francisco e alguns dos seus afluentes, como o rio

Paracatu. Esta unidade está compreendida entre as cotas de 400 a 600 metros, sendo caracterizada por

superfícies aplainadas, superfícies onduladas e sedimentos com variados aspectos litológicos (IGAM, 2006).


11

A unidade Cristas de Unaí ocupa a área ocidental da bacia, ocorrendo principalmente na bacia

hidrográfica do rio Preto, com direção NNW-SSE. Pertencendo ao Grupo Bambui são formas erosivas

desenvolvidas sobre ardósias, siltitos e calcários dobrados e falhados. Nas áreas de natureza cárstica ocorrem

sumidouros, grutas, cavernas e dolinas. Nas encostas desses planaltos estão localizadas as veredas,

cabeceiras de drenagem constituídas por vales rasos de fundo plano (IGAM, 2006).

Figura 2.5 - Modelo Digital de elevação da bacia do rio Paracatu – sensor ASTER (Fonte: USGS).


12

Figura 2.6 - Mapa de declividade da bacia do rio Paracatu - imagem SRTM (Fonte: NASA).

2.4 - SOLOS DA BACIA HIDROGRÁFICA DO RIO PARACATU

As classes de solos presentes na bacia do rio Paracatu são os Latossolos, Cambissolos, Neossolos

Quartzarênicos, Hidromórficos e Neossolos Flúvicos. De acordo com o levantamento realizado pelo CETEC

(1981), estas classes encontram-se distribuídas espacialmente de acordo com o mapa da (Figura 2.7).


13

Figura 2.7 – Mapa de classes de solo agrupadas da Bacia Hidrográfica do Rio Paracatu.

Os Neossolos estão concentrados na parte sudeste e nordeste, devido ao imtemperismo de rochas

areníticas cretáceas. São solos caracterizados por apresentarem uma boa capacidade de drenagem, pelo fato

de serem constituídos predominantemente por macroporos. A concentração de argila é relativamente baixa,

cerca de 15 %. Os óxidos de ferro presentes nos Latossolos contribuem para a agregação das partículas de

silte e argila, permitindo que estes se comportem como solos arejados e friáveis. Estes solos estão

distribuídos amplamente ao longo bacia, ocupando os planaltos, depressões e superfícies tabulares. Os

Cambissolos são solos bem drenados superficialmente, mas devido a sua pequena espessura, os eventos de

fortes chuvas, poderão dificultar o processo de infiltração superficial e consequentemente provocas processos

erosivos. A sua textura está dependente da rocha matriz, se esta é mais argilosa ou arenosa. Estes solos são


14

mais abundantes na unidade geomorfológica das Cristas de Unaí. Os Neossolos Litólicos estão restritos às

áreas dissecadas com relevo ondulado a montanhoso. São solos pouco profundos (rasos), o que implica uma

baixa de armazenamento de água, levando ao déficit hídrico na estação seca e escoamento superficial

elevado. Os solos Hidromórficos estão permanentemente ou sazonalmente encharcados. Este tipo de solo

ocorre nas áreas de relevo mais plano e rebaixado bacia, onde o aquífero freático aflora, ou seja, próximo aos

rios, lagoas ou veredas.

2.5 - CARACTERIZAÇÃO DA ÁREA DE ESTUDO

2.5.1 - Sub bacias hidrográficas do rio Paracatu

A sub-bacia de Entre Ribeiros (ET) (Figura 2.8) situa-se no trecho denominado de médio curso da

bacia hidrográfica do rio Paracatu (BHRP), apresentando uma área de 3924,59 km2. Trata-se de uma área

intensamente ocupada por agricultura mecanizada, na qual o método de irrigação adotado é por pivô central,

para além de outras atividades como a pastagem, a qual ocupa a maior porcentagem de ocupação da bacia.

Segundo Regis (2007), esta sub-bacia apresentou ao longo da sua história uma trajetória de escassez de água,

supressão integral de vegetação e conflitos entre os produtores. O processo de ocupação foi estimulado e

orientado, em 1983, pelo Projeto de Colonização de Paracatu/Entre Ribeiros, o qual levou a um aumento da

demanda do uso da água para assim suprir as necessidades da expansão das atividades agrícolas. O

desmatamento nesta sub-bacia é uma conseqüência da implementação das áreas de pastagem e cultivo, sendo

as áreas mais afetadas por estas atividades o alto do Rio Preto, médio e baixo Ribeirão Entre Ribeiros, médio

e baixo Rio Escuro. A área dos platôs é caracterizada pelas plantações de soja, enquanto que os vales fluviais

por cultivos e pastagens. Ao longo da sub-bacia do ribeirão Entre Ribeiros algumas das áreas que eram

naturalmente alagadas foram drenadas para dar lugar a áreas de pastagem e agricultura. De acordo com a

PLANTAR (1996) as áreas com vegetação natural estão restritas às zonas mais íngremes e solos menos aptos

para o desenvolvimento de atividades agropecuárias.


15

Figura 2.8- Mapa de localização da sub bacia Entre Ribeiros (BHER) – LANDSAT TM 5 (243) –

17/06/2006

A sub-bacia do Rio Verde (RV), situada no município de João Pinheiro, está inserida no médio curso

do rio Paracatu, apresentando uma área de 1310,62km2. É uma bacia constituída por dois córregos principais:

Rio Feio e Rio Verde (Figura 2.9), este último dá o nome à sub- bacia. O alto curso é caracterizado por

morros suaves, com mata uma ciliar bem desenvolvida e preservada. Já nas porções de médio e baixo curso,

há uma significativa redução da declividade, formando uma paisagem mais plana na qual estão as pastagens

e plantações de eucaliptos. Perto da confluência do rio Verde com o rio Feio existe um claro domínio tanto

de pastagens quanto de eucalipto.


16

Figura 2.9 - Mapa de localização da sub Rio Verde - LANDSAT TM 5 (243) – 17/06/2006

A água da bacia do RV é utilizada principalmente para o consumo humano, na dessedentação dos

animais, recreação e irrigação de hortaliças. Destaca-se ainda nesta sub-bacia o lançamento de esgoto in

natura, proveniente dos assentamentos agrícolas, que contribui de um modo muito significativo para a

degradação do Rio Verde (IGAM, 2006). A sub-bacia do Rio Escuro (RE) (Figura 2.10) está localizada no

do alto curso do rio Paracatu, apresentando um comprimento de 139 km e uma área de 4375,22km2, com

quatro rios principais, que são: o ribeirão Santa Isabel, rio Escurinho, o rio Claro e o rio Escuro. Segundo o

IGAM (2006), trata-se de uma área predominantemente ocupada por pastagens e a vegetação mais

exuberante restringe-se à mata ciliar e às áreas ocupadas por de pivôs e eucaliptos.


17

Figura 2.10- Mapa de localização da sub Rio Escuro - LANDSAT TM 5 (243) – 17/06/2006

Os recursos hídricos desta sub-bacia são utilizados principalmente para a agricultura irrigada e para o

abastecimento público da cidade de Paracatu. O desmatamento nesta sub-bacia é uma prática que ocorre com

frequência em prol de novas áreas de cultivo e pastagem contribuindo assim para a geração de vários

problemas e conflitos ambientais.


18

19

CAPÍTULO 3

MATERIAS E MÉTODOS

3.1 - EVAPOTRANSPIRAÇÃO

3.1.1 - Estimativa da evapotranspiração - método convencional

A ET pode ser estimada partindo do princípio da perda e água de uma determinada superfície ou

através do ganho de vapor de água pela atmosfera. Para determinar a perda de água de uma dada superfície,

considera-se esta como um sistema fechado em um determinado período de tempo, deduzindo-se a ET em

função da perda de água deste sistema, enquanto que nas estimativas de vapor de água na atmosfera o

sistema é aberto, determinando-se assim a ET a partir da integração da taxa de fluxo de vapor de água

através da camada limite turbulenta próxima à superfície (Shuttleworth, 1993). A determinação direta da ET

é um processo complicado, pelo facto de exigir um grande número de variáveis hidrológicas e

meteorológicas. Moors (2008) divide este processo em dois grupos, baseando-se: i - no balanço hídrico e ii -

métodos micro meteorológicos. Neste estudo a ET potencial (ETp) foi determinada através do método de

Thornthwait:

Equação 3.1:

ET = Fc . 16 (10 𝑇

𝐼)𝑎

Equação 3.2:

𝐼 = ∑(𝑡𝑖

5)1,514

12

𝑖=1

Equação 3.3:

a = 67,5 . 10−8 I − 7,71 . 10−6 I + 0,01791 I + 0,492 (mm/mês)

Onde, ET = evapotranspiração potencial para meses de 30 dias e comprimento de 12 horas (mm/mês); Fc =

fator de correção em função da latitude e mês do ano; T e ti = temperatura média mensal do ar (0C), a =

exponencial derivada do índice de calor; I = índice anual de calor.


20

3.1.2 - Índice de Evapotranspiração – através de imagens de MODIS – MOD16 de MU et al.,

2011.

A ET poderá ser determinada através algoritmos implementados em softwares usados em

sensoriamento remoto, com o uso de imagens orbitais, tendo como resultado final os valores totais de ET

(mm/dia) (Mohamed et al., 2004; Nagler et al., 2005; Silva et al., 2005; McCabe et a.l, 2006; Menezes et

al., 2007; Mu et al., 2007; Dennison et al., 2009; Moreira et al., 2010; Mota et al., 2011; Mu et al., 2011;

Oliveira & Baptista, 2011; Lima et al.,2014). A escolha de qual algoritmo usar para o cálculo da

evapotranspiração normalmente dependente de vários fatores, desde a aquisição de determinado tipo de

imagens à disponibilidade de dados meteorológicos, inputs na maioria dos modelos. Dentre os vários

algoritmos existentes baseados em imagens MODIS, vale destacar o SEBAL (Surface Energy Balance

Algorithms for Land), que calcula a ET diária a partir do fluxo de calor latente, estimado como resíduo de

balanço de energia de superfície, usado para trabalhos em escala local; o algoritmo empírico de Nagler et al.

(2009) baseado no índices de vegetação (EVI) e o desenvolvido por Mu et al. (2011) usado neste estudo, que

aprimorou o algoritmo RS-ET de Mu et al. (2007), e é baseado na equação de Penman-Monteith. Estes

últimos têm apresentado bons resultados no caso de estudos em escalas regionais, em diversas regiões do

globo (Hu et al., 2015), em diferentes situações de uso da terra e/ou climatológicas (Hu et al., 2015, Biggs et

al., 2016).

3.2 - MAPAS DE USO E OCUPAÇÃO ATRAVÉS DAS IMAGENS ASTER – ALGORITMO

LIKELIHOOD

De acordo com Crosta (2002) existem dois tipos de abordagens na classificação de imagens

multiespectrais. A classificação supervisionada fundamenta-se na pré-existência de amostras representativas,

identificadas na imagem a ser analisada. Numa análise de classificação não supervisionada o (s) algoritmo

(s) do software irá identificar as respectivas classes dentro de um conjunto de dados da respectiva imagem.

Neste caso usamos o método da classificação supervisionada – algoritmo Likelihood- para extrair o mapa

de uso e ocupação das três sub bacias. Foram utilizadas duas cenas ASTER de Julho de 2006 no Nível 1B, as

quais foram pré processadas com o software ENVI 4.3®. Após as respectivas correções, foi aplicado o

algoritmo de classificação supervisionada (Likelihood). Foi necessária uma pós classificação a partir da qual

resultou a determinação das seguintes classes: 1- Vegetação natural; 2 – plantação de eucaliptos; 3- pivôs; 4-

pastagens; 5- áreas úmidas/água; 6 – sombra.


21

3.3 - DESENVOLVIMENTO DO SCRIPT “USLE PARACATU WATERSHED” EM

AMBIENTE SIG

Para avaliar a erosão do solo é necessária a coleta de parâmetros biofísicos no campo, o que muitas

das vezes se torna uma tarefa árdua, não só pela dificuldade física (escala de bacia) como económica. Ou

seja, para o desenvolvimento de politicas e regulamentações que permitam a conservação dos recursos

naturais (solo) torna-se necessário uma avaliação de perda do solo a nível regional. De acordo (Van

Rompaey & Govers, 2002), uma das limitações encontradas neste caso é a escassez de dados e a sua fraca

qualidade. O sensoriamento remoto (SR) permite a aquisição de dados homogêneos abrangendo grandes

áreas com uma resolução temporal regular, contribuindo grandiosamente para uma melhor avaliação da

erosão em escala regional. As técnicas de SR, aliadas ao uso de sistemas de informação geográfica (SIGs)

levam ao desenvolvimento de modelos em softwares que permitem um aperfeiçoamento na precisão, e

abrangência dos dados. A erosão do solo causa grandes impactos ambientais e consequentemente altos custos

económicos pela sua interferência na produção agrícola, sua infraestrutura e qualidade da água (Vrieling,

2006). A erosão do solo é controlada por características climáticas, topografia, propriedades do solo,

vegetação e pelas medidas de conservação do solo.

A Equação Universal de Perda do Solo (EUPS) é traduzida através da seguinte fórmula (Wischmeir & Smith,

1978):

Equação 3.4:

Α = R K LS C P

Onde:

A = perda de solo média anual (t/há.ano0

R = fator de erosividade da chuva (MJ mm/há h)

L = fator de comprimento de vertente (adimensional)

S = fator de declividade (adimensional)

C = fator de uso/manejo

P = fator de práticas conservacionistas (adimensional)

A EUPS representa um modelo empírico, deste modo os seus parâmetros devem ser estimados e/ou obtidos

em condições semelhantes aquelas onde este será aplicado (Wischmeir, 1976). Nestas condições destacamos

os parâmetros R, K e C. Os fatores L e S podem ser obtidos através de modelos digitais do terreno (MDT) e

C e P através de tabelas (Bertoni e Lombardi Neto, 1990).


22

3.3.1 - Fontes de dados usados para a determinação da USLE

As imagens de satélite usadas neste estudo incluem a imagem de radar SRTM (Shutle Radar

Topographic Mission), (resolução espacial de 30m) a qual foi usada para obter o fator LS e a imagem de

satélite ASTER para a obtenção do mapa de uso e ocupação do solo do ano de 2006 (fator C). O mapa de

solos do Plano Diretor da Bacia Hidrográfica do Rio Paracatu (IGAM, 2006), constitui a base para a

obtenção do fator K e os dados históricos de 35 estações meteorológicas para a geração do fator R (Tabela

3.2).

Numa etapa de pré- processamentos os dados foram convertidos para um Sistema de projeção

comum (World Geodetic Sytem 1984, Zona 23S), e outros procedimentos foram efetuados no MDE e dados

pluviométricos para compatibilização das suas resoluções.

Tabela 3.1- Fonte de dados usada para a determinação dos diferentes fatores da equação da USLE, das sub-

bacias de Entre Ribeiros, Rio Escuro e Rio Verde.

Variável Formato Fonte

Modelo digital de elevação

(resolução = 30m) Matricial USGS Earth Explorer

Pedologia (escala = 1:1.000.000) Vetorial

Plano Diretor da Bacia

Hidrográfica do Rio Paracatu -

IGAM (2006)

Uso e cobertura do solo

(resolução = 15m) Matricial Imagem ASTER

Precipitação anual média

(escala = 1:1.000.000) Matricial

Agência Nacional de Agua

(2014)

3.3.2 - Fator de erosividade da chuva (R)

O fator (R) desenvolvido por Wischmeir & Smith (1978), tenta estimar a erosão causada pelo

impacto das gotas da chuva (energia cinética) quando esta atinge um solo desprotegido, quantificando o

impacto das gotas da chuva e da energia da enxurrada em (MJ. Mm/ha.h). Vários estudos demonstram que

dados sobre a perda de solos, quando associados às características das chuvas, mostraram que, quando os

outros fatores se mantêm constantes, a perda do solo, ocasionada pelas chuvas nos terrenos cultivados, é

diretamente proporcional ao produto de duas características da chuva: 1 – a energia cinética total; 2 – a sua

intensidade máxima em trinta minutos. Deste modo, o produto da energia cinética pela intensidade (EI) é

considerado a melhor relação encontrada para medir a potencialidade erosiva da chuva (Wischmeir & Smith,

1978). Foster et al. (1981) converteram para o sistema métrico a equação do cálculo da energia cinética

desenvolvida por Wischmeir & Smith (1978), na seguinte equação:


23

Equação 3.5

Ec = 0,119 + 0,0873 log I

Onde:

Ec = energia cinética (MJ/há.mm)

I = intensidade da chuva em mm/h

O índice de erosão (EI30) é dado através da seguinte fórmula:

Equação 3.6

EI30 = Ec ∗ I30

Onde:

EI30 = índice de erosão em (MJ.mm/ha.h)

Ec = energia cinética da chuva (MJ/há)

I30 = intensidade máxima em 30 minutos (mm/h)

A soma dos valores de EI durante um período de tempo, representa a erosividade da chuva dentro

desse período estudado. De acordo com Wischmeir & Smith (1978) para efetuar um estudo é necessário uma

série continua de no mínimo 22 anos de dados pluviográficos. A existência de dados pluviográficos torna-se

muito difícil em muitos casos, principalmente em países menos desenvolvidos e de grandes dimensões. No

entanto é mais comum ter dados pluviométricos. Deste modo, o problema pode ser resolvido da seguinte

forma: 1 – obtenção do fator R através dos dados pluviográficos para a maioria dos locais onde existem

pluviógrafos; 2 – efetuar estudos de correlação entre os índices médios mensais de erosividade e a

precipitação média mensal desses locais, e obtendo-se elevados coeficientes de correlação, extrapolar o uso

das equações de regressão para outros locais onde não têm registros de dados pluviográficos, mas que

tenham um regime de distribuição de chuvas semelhante ao do local que originou as equações. Carvalho et

al. (1991) realizaram regressões entre EI30 e a média mensal de precipitação (r), obtendo um elevado

coeficiente de correlação (R = 0,991), para a região de Mococa – SP. Como resultado os autores

desenvolveram a seguinte equação:

Equação 3.7

EI30 = 111,17 ∗ (r/P)2

Onde:

EI30 = média mensal do índice de erosividade (MJ.mm/ha.h)

r = média do total mensal de precipitação (mm)

P = média do total anual de precipitação (mm)


24

Para determinação do (R), os resultados dos valores mensais de cada estação pluviométrica (35 estações)

foram somados, conforme a equação 3.8:

Equação 3.8

E = ∑ E30j

12

j=1

Posteriormente, esses dados foram transferidos para uma plataforma SIG. Usando o algoritmo

Natural Neighbor foi gerando o mapa com a distribuição espacial do fator (R).

3.3.3 - Fator Topográfico (LS)

De acordo com Wischimeier & Smith (1978), tanto o comprimento de declive (L) quanto o gradiente

(S) constituem fatores que afetam a intensidade de erosão pela água. Na prática estes fatores são avaliados

conjuntamente, formando o chamado fator topográfico (LS). O cálculo do fator topográfico LS foi efetuado

usando o algoritmo desenvolvido por Desmet & Govers (1996) (equação 3.9) no sub módulo Model Buider

(ArcMap):

Equação 3.9

Lij =[(Aij−in + D2)

m+1− (Aij−in)

m+1]

[Dm+2. xijm (22.13)m]

Onde:

Lij: é o fator de comprimento da vertente de uma célula com as coordenadas (i,j),

Aij-in: é a área de contribuição da célula com as coordenadas (i,j) em (m2),

D: é o tamanho da célula (metros)

X: é o coeficiente de aspecto para a grade de célula em coordenadas em coordenadas (i,j)

m: é o coeficiente de função da declividade para a grade de célula com coordenada (i, j)

O expoente m foi calculado a partir de β, razão entre os canais e os entre canais de erosão, como sugerido

por Renard et al. (1997):


25

Equação 3.10

𝓂 =β

β + 1

Em que β é dado pela Equação 3.11:

Equação 3.11

𝛽 =

sin 𝜃0,0896

[3.0 (sin 𝜃)0.8 + 0.056]

A inclinação do declive (S) foi calculada de acordo com (McCool et al., 1987), pela equação 3.12:

Equação 3.12

𝒮(𝑖,𝑗) = {10.8 sin 𝜃(𝑖𝑗) + 0.03 tan 𝜃(𝑖,𝑗) < 0.09

16.8 sin 𝜃(𝑖,𝑗) − 0.5 tan 𝜃(𝑖,𝑗) > 0,09

A implementação dos algoritmos descritos anteriormente para efetuar o cálculo do fator LS (Figura

3.1) foi realizada na interface gráfica do ModelBuilder no software ArcGis® for desktop 10.2.2 (ESRI,

2015a) e posteriormente implementada em linguagem de programação Phyton.


26

Figura 3.1- Fluxograma na interface Modelbuilder ilustrando o conjunto de operações de geoprocessamento utilizadas pelo script “USLE Paracatu

Watershed”, para efetuar o cálculo de perda do solo (A). Os inputs de dados estão representados em azul, em amarelo estão às equações (algoritmos) e os

outputs estão em verde (desde os produtos intermediários ao final).


27

3.3.4 - Fator de Erodibilidade dos solos (K)

O fator K representa a susceptibilidade do solo ao desprendimento e deslocamento das partículas,

dependendo dos vários fatores como: textura, estabilidade estrutural, conteúdo de matéria orgânica,

mineralogia das argilas e os constituintes químicos do solo. O mapa de erodibilidade (K) em SIG das sub-

bacias foi realizado com base no mapa de solos do Plano Diretor da Bacia Hidrográfica do Rio Paracatu

(IGAM, 2006) (Tabela 3.2).

3.3.5 - Fator de uso e ocupação dos solos (C) e práticas conservacionistas (P)

O fator (C) pode ser descrito como a relação da erosão num solo nu com a erosão observada nas

condições de cultivo ou com cobertura vegetal. De acordo com a (FAO, 1991) combina tipos de cobertura,

níveis de produção e técnicas associadas. A cobertura vegetal é um dos parâmetros mais importantes no

controle da erosão, pois interfere no impacto da energia cinética da chuva (R) sobre o solo e também reduz o

efeito do relevo no escoamento superficial e subsuperficial (fator LS) (Neyhay et al., 2009). O fator (P)

representa a relação da perda do solo em presença de práticas conservacionistas específicas com o mesmo

solo na ausência dessas práticas. O fator de uso e ocupação do solo (C) e o fator de práticas

conservacionistas (P) foram obtidos através das imagens ASTER de Julho de 2006 (72/220). Para obtenção

do mapa de classes do uso e ocupação do solo das sub-bacias foi aplicado o método da classificação

supervisionada (algoritmo Likelihood). Desta classificação, resultaram as seguintes classes: 1- Vegetação

natural; 2 – plantação de eucaliptos; 3- pivôs; 4- pastagens; 5- áreas úmidas/água; 6 – sombra. Para cada

classe foi aplicado um valor de C e P da EUPS (Tabela 3.3).


28

Tabela 3.2- Valores de erodibilidade (K) por classes de solos das três sub-bacias (Adaptado de Silva, 2001).

Grupo

(Rio Verde)

Fator

(K)

Grupo

(Rio Escuro) Fator (K)

Grupo

(Entre Ribeiros)

Fator

(K)

Argissolos Vermelho

Amarelos

0,04 Cambissolos H-

Plicos Tb

0,048 Cambissolos H-Plicos Tb 0,048

Latossolos Vermelho

Amarelos

0,03 Gleissolos H-

Plicos Tb

0,038 Gleissolos H-Plicos Tb 0,038

Latossolos Vermelhos 0,03 Latossolos

Vermelho

Amarelos

0,03 Latossolos Vermelho

Amarelos

0,030

Neossolos Quartzar-

Nicos

0,032 Latossolos

Vermelhos

0,03 Latossolos Vermelhos 0,032

Neossolos Fluvicos tb 0,042 Neossolos

fluvicos tb

0,042 Neossolos Fluvicos tb 0,042

Neossolos Litólicos 0,036 Neossolos

Litólicos

0,04 Neossolos Litólicos 0,036

Tabela 3.3- Valores do fator CP das sub bacias (Adaptado de Silva, 2001).

Classe de uso e ocupação do solo Fator (CP)

Vegetação Natural 0,006

Eucaliptos 0,012

Pastagens 0,025

Pivôs 0,090

Sombra 0,000

Água 0,000

3.4 - ANÁLISE DOS PARÂMETROS FÍSICO QUÍMICOS E COLETA DE ÁGUA PARA

ANÁLISE DAS SUB BACIAS DE ENTRE RIBEIROS, RIO ESCURO E RIO VERDE

Foram determinados in situ (Figura 3.2) utilizando o multiparâmetro Ultrameter II da marca Myronl

Company a Condutividade Elétrica (CE), Sólidos Totais Dissolvidos (STD), potencial de oxidação redução

(ORP), temperatura e pH. O Oxigênio Dissolvido (O2) e turbidez foram também determinados in situ, com o

auxílio de um oxímetro da marca Digimed modelo DM-4P e um turbidímetro da marca Hanna modelo

HI93703. Todos os instrumentos para medir os parâmetros in situ, foram previamente calibrados em

laboratório. Paralelamente, foram coletados 30 mL de água (Figura 3.3), que foram filtrados com membranas


29

de 0,45µm adaptadas em seringas de 50 mL, para separar o particulado dos elementos solúveis. Ainda no

campo as amostras foram acidificadas com ácido nítrico concentrado em pH menos do que 2 e preservadas a

4°C para posterior análise de metais e metalóides. Os elementos químicos foram determinados por

espectrometria de emissão atômica via plasma (ICP-OES, Spectro Ciros CCD). Toda a metodologia seguiu

as recomendações do Standard Methods for Examination of Water and Wastewater (Greenberg et al., 1992).

Figura 3.2 - Equipamentos utilizados em campo na determinação dos parâmetros físicos: a - multiparâmetro

(Condutividade, Eh, TDS, pH) ; b – turbídimetro e c-oxímetro

Figura 3.3- a - Coleta das amostras de água no campo com a seringa de 50 mL; b – detalhe das membranas

de 0,45 µm.

a b c

a b


30

3.5 - ANÁLISE GEOQUÍMICA DOS SEDIMENTOS E SOLOS- ENTRE RIBEIROS, RIO

ESCURO E RIO VERDE

Para a digestão das amostras de sedimento de fundo (<63 μm) foi utilizado o método da Digestão

Total, em que, pesou-se cerca de 0,250 g de cada amostra, utilizando uma balança analítica, no interior de

frascos Savillex. Em seguida foram adicionados 1 mL de ácido nítrico 10 mol/L seguido de 3 mL de ácido

clorídrico 10 mol/L. Os frascos abertos com a mistura foram colocados na placa aquecedora a cerca de

110°C até a secura. Foram adicionados 2 mL de ácido fluorídrico concentrado, deixando os frascos abertos

na placa aquecedora (±110°C) até a secura. Em seguida, foram adicionados novamente 2 mL de ácido

fluorídrico concentrado, porém, fechando os frascos e deixando-os na placa aquecedora (±110°C) por cerca

de 30 horas. Os frascos foram retirados da placa e após resfriamento estes foram abertos e levados a placa

aquecedora (±110°C) até a secura. Foram adicionados 2 mL de ácido nítrico 10 mol/L e os frascos aberto

foram levados à secura na placa aquecedora (110°C). Novamente, adicionou-se 2 mL de ácido nítrico 10

mol/L e os frascos abertos foram levados à secura na placa aquecedora (±110°C). Foram adicionados 2 mL

de ácido clorídrico 10 mol/L e os frascos abertos foram colocados na placa aquecedora à cerca de 110°C até

a secura. Os frascos foram retirados da placa e foram adicionados mais 25 mL de ácido clorídrico 2 mol/L.

Os frascos foram fechados e após agitação foram colocado novamente na placa aquecedora (±110°C) por 2

horas. Após o resfriamento, os frascos, ainda fechados, foram pesados em balança analítica. O conteúdo foi

homogeneizado e transferido para frascos de 30mL, etiquetados e encaminhados para análise. Foi realizada a

análise dos teores de Al, As, Ba, Be, Bi, Ca, Cd, Co, Cr, Cu, Fe, K, Mg, Mn, Mo, Na, Ni, P, Pb, Sb, Sr, Th,

Ti, V, Y, Zn e Zr por Espectrofotômetro de Emissão Atômica com Fonte de Plasma Indutivamente Acoplado

(ICP-OES), marca SPECTRO / modelo Ciros CCD em operação no LGqA/DEGEO/UFOP.

31

CAPÍTULO 4

USE OF MODIS SATTELITE DATA TO CALCULATE

EVAPOTRANSPIRATION IN TROPICAL AGRICULTURAL RIVER

BASINS

Abstract

Calculating evapotranspiration (ET) values by means of remote sensing techniques, having as final products

daily, monthly or annual maps is of extreme importance in the management of large river basins, especially

when data from meteorological stations are scarce or nonexistent. The main aim of this study was to evaluate

the accuracy of the evapotranspiration estimation for large agricultural river basins using remote sensing

techniques in a GIS environment. In addition, climatological data from meteorological stations were used to

validate the results obtained. Three sub-basins with areas greater than 1000km2 and with high agricultural,

livestock and silvicultural activity were chosen. In a time series of MODIS images (2001 to 2014), 436

sampling points were selected along riparian forests for the calculation of ET values using the global

MOD16 evapotranspiration algorithm. The annual maps obtained allowed defining silviculture properties as

areas with higher ET values. The analysis of ET data obtained showed a growth trend in the last 14 years,

which may help in the future planning of water use.

Keywords: MOD16, evapotranspiration, thornthwait, agriculture, Brazil.

Fujaco, Maria Augusta Gonçalves. *1a

; Leite, Mariangela Garcia Praça Leiteb;

a,b Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro

Preto, MG, Brazil.

Artigo submetido à revista Applied Geography.

a*

Federal University of Ouro Preto, Brazil. 1 Corresponding author: Tel 55 3135591891 Fax: 55 3135591600 - E-mail address: [email protected]

mailto:[email protected]


32

4.1- INTRODUCTION

In recent decades, given the current climate changes, water resources available for agriculture have

been alarmingly declining (Djaman et al., 2016). Regions characterized by limited water availability and / or

high water demand require specific irrigation management strategies to ensure high productivity and

environmental quality maintenance (Provenzano et al., 2013). In other words, the careful control of water

used for irrigation is a fundamental aspect to ensure adequate distribution of available water resources for

residential, industrial and agricultural use (Maeda et al., 2011)

Evapotranspiration (ET) is one of the parameters that most influence the hydrological cycle and

consequently the climate both in regional and / or global scales, being considered by many researchers as the

best indicator for studies of climate changes, since it allows more conscious decisions about conservation,

development and management of water resources in a given region (Jabloun & Sahli, 2008; Ortega-Farias et

al., 2009). Depending on the use and occupation, ET may be responsible for the return to the atmosphere of

more than 60% of precipitation (Korzoun et al., 1978, Turner et al., 1990). In the case of agricultural river

basins, the correct evapotranspiration estimation allows better irrigation scheduling (Teuling et al., 2009;

Djaman et al. 2016), avoiding losses in production, whether due to excess or lack of water, and reducing

costs (Mu et al., 2011).

There are several conventional methods for its estimation, and the Thornthwait method is one of the

most widely used. This method is based on temperature and precipitation over a period of 30 days; however,

it is geographically punctual because it uses data obtained from a meteorological station. That is, it can not

be extrapolated to larger areas, which is fundamental for understanding the dynamics and regional

evapotranspiration variation (Li & Lyons, 1999). In fact, one of the major problems in the management and

monitoring of large river basins is the scarcity of real data due to the few existing meteorological stations,

which results in a low accuracy of evapotranspiration estimates (Maeda et al., 2011). To solve this problem,

orbital images can be used, which are analyzed through remote sensing (RS) techniques, in which

evapotranspiration is determined through algorithms, resulting in maps with the regional variation of total ET

values (Nagler et al., 2005; McCabe & Wood, 2006; Dennison et al., 2009; Mu et al., 2011). According to

(Mu et al., 2011), the radiometric and geometric properties, cloud detection and the high temporal and spatial

resolution of MODIS products onboard of NASA's TERRA and AQUA satellites provide an improved basis

for real-time ET monitoring at global level, since MOD16 data are available on a grid of 1km cells for the

entire global terrestrial surface, with daily, eight-day, monthly and yearly temporal resolutions. In Brazil,

MODIS products are still relatively unexplored to calculate evapotranspiration. The few existing papers;

however, have generated very promising results (Lima et al., 2014; Leivas et al., 2015).

The choice of which algorithm to use for the calculation of evapotranspiration usually depends on

several factors, from the acquisition of certain types of images to the availability of meteorological data,

which are inputs in most models. Among the several algorithms based on MODIS images, SEBAL (Surface

Energy Balance Algorithms for Land) stands out, which calculates the daily ET from the latent heat flux,


33

estimated as surface energy balance residue, used for local scale studies; the empirical algorithm of (Nagler

et al., 2009), which is based on vegetation indexes (EVI) and developed by (Mu et al., 2011) which

improved the RS-ET algorithm of (Mu et al., 2007), and is based on the Penman-Monteith equation. The

latter have shown good results in the case of regional scale studies in different regions of the globe (Hu &

Menenti, 2015) and different land use and / or climatological situations (Hu & Menenti, 2015; Biggs et al.,

2016).

In Brazil, the lack of a consistent network of meteorological stations, complete historical series, and

the large size of most river basins make the country an ideal place for the use of orbital images to calculate

ET. The main aim of this study was to verify the accuracy of ET estimated for large river basins in tropical

regions (with more than 1000km2) based on the algorithm proposed by (Mu et al., 2011). For this purpose,

three sub-basins belonging to the Paracatu river basin, southeastern Brazil, were chosen.

4.2 - MATERIAL AND METHODS

4.2.1 - Study area

The Paracatu River basin (BHRP) lies within geographic coordinates 15° 30'/ 19° 30'S and 45° 10'/

47° 30'W. According to (Peel et al., 2007), the climate in the region can be classified as tropical savannah

with dry winter (type Aw de Koepen), with hot and rainy season, when it rains 93% of the annual total

(October to April) and a dry season from May to October (IGAM, 2006). The region is within the cerrado

biome, Brazilian savanna.

As case studies, three sub-basins of the Paracatu river basin were chosen (Figure 4.1): Entre Ribeiros

(ER), with area of 3924.59 km2; Rio Escuro (RE), with area of 4375.22 km

2 and the Rio Verde (RV), with

area of 1310.62 km2. The water needed for irrigation and other agricultural activities in these sub-basins is

directly collected from the artificial streams or dams constructed by farmers. The occupation of the region of

northwestern state of Minas Gerais dates from the end of century XVI, and activities such as cattle raising

and mining were responsible for the beginning of the settlement. Villages, spatially sparse, promoted the

division of large land areas that in the future would become an agricultural and eucalyptus production poles.

The current percentage of land use with agricultural activities corresponds to almost 90% of the areas under

study.


34

Figure 4.1 - Localization map of sub-basins: Entre Ribeiros, Rio Escuro and Rio Verde

4.2.2 - Land use and Land cover map

The algorithm used in the supervised classification process was Maximum Likelihood (MAXVER),

which is a parametric statistical method that defines different classes considering the individual points of the

image and calculates the likelihood of an unknown pixel to belong to one or another class. The classification

was performed on ASTER images due to their high resolution in the visible zone (15 meters) in the year

2006 and served as the basis for the selection of points to be used for the ET calculation.

4.2.3 - Data acquisition and MODIS - MOD16A2 extraction

MODIS images (MOD16A2 product) were used in this study, using 8-day interval data. Fifteen

images were selected from 2001 to 2014, always in the month of July (month of least precipitation). In order

to carry out the temporal analysis of evapotranspiration (ET) evolution in this period, 436 sampling points

along preserved riparian forests were selected (Entre Ribeiros = 152, Rio Verde = 151 and Rio Escuro =

133), which are areas that have not undergone changes in land use and occupation over the years studied.

The (ET) values of the pixel for each point defined in the previous step were extracted. All manipulation and

extraction operations were performed in ArcGIS software v 9.3.


35

4.2.4 - Evapotranspiration (ET) calculation

From MODIS data, ET was calculated using the model developed by (Mu et al., 2011). This

algorithm has corrected the errors proposed by (Mu et al., 2007), which calculated ET only as the sum of wet

soil evaporation and vegetation transpiration only during the day. In the new algorithm, (Mu et al., 2011)

simplified calculations of vegetation indexes, calculated ET as the sum of diurnal and nocturnal components,

began estimating the water flow by dividing the soil surface into saturated wet surface and moist surface and

assuming as soil evaporation the sum of the potential evaporation of the saturated wet surface and real

evaporation of the moist surface. They also improved the transpiration calculation by separating dry canopy

surface from the wet surface and improving methods for estimating stomatal conductance, aerodynamic

resistance and boundary layer resistance.

In order to validate the results obtained with remote sensing techniques, climatological data

(maximum temperature, minimum temperature, precipitation and evaporation to PICHE) were obtained from

BDMET - INMET (National Meteorological Institute) for two meteorological stations: Paracatu (MG)

(OMM: 83479) and João Pinheiro (MG) (OMM: 83481). Based on proximity, data from the first station were

used for Entre Ribeiros and Rio Escuro sub-basins and those of the second station for Rio Verde sub-basin.

However, some analyses were performed taking into account only the Paracatu station (OMM: 83479), due

to the fact that only this station has data on the Paracatu river flow. Data from 1984 to 2014 were used,

covering a historical series of 30 years. Unfortunately, data series was not continuous, containing some

unregistered years, which had to be discarded. Potential Evapotranspiration (ETp) obtained from

meteorological data was determined using the Thornthwait method, calculated with equations 4.1, 4.2 and

4.3:

ET = Fc . 16 (10 T

I)a (eq. 4.1)

I = ∑ (ti

5)1,51412

i=1 (eq. 4.2)

a = 67,5 . 10−8 I − 7,71 . 10−6 I + 0,01791 I + 0,492 (eq. 4.3)

Where: ET = potential evapotranspiration for periods of 30 days and length of 12 hours (mm / month); Fc =

correction factor as a function of latitude and month of the year; T and ti = monthly average air temperature

(oC), a = exponential derived from the heat index; I = annual heat index.

4.2.5 - Data analysis

To analyze the distribution (variability) of ET data of sampling points collected along riparian forests

in time series of satellite images, Boxplot graphs with annual data for the three sub-basins were created.

These graphs were validated and compared with results obtained using the Thornthwait method.


36

4.3 - RESULTS AND DISCUSSION

The land use and occupation maps of sub-basins under study are shown in (Figure 4.2). The three

sub-basins show a very similar use and occupation pattern, with more than 40% of the area used for

agriculture and also more than 40% used as pasture for cattle raising (Table 4.1). RE and RV sub-basins have

about 5% of their territory occupied by forestry activities. That is, there are very little preserved savannah

remnants.


37

Figure4.2 - Land use and occupation maps of sub-basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.


38

Table 4.1 - Detailed table with soil use and occupation data of the three sub-basins.

Land use and land

cover Area (Km

2)

Area

(%)

Area

(Km2)

Area

(%)

Area

(Km2)

Area

(%)

Entre Ribeiros Rio Escuro Rio Verde

Shadow 2,89 0,09 25,33 0,59 5,17 0,39

Pivots 57,62 1,79 19,38 0,45 0,66 0,05

Eucaliptos plantation no data no data 176,77 4,13 70,72 5,37

Natural vegetation 1473,99 45,89 1786,05 41,68 571,71 43,39

Pastures 1588,16 49,45 2240,25 52,28 655,91 49,79

Water/wet areas 89,24 2,78 37,45 0,87 13,3 1,01

Total 3211,9 100 4285,23 100 1317,47 100

(Figure 4.3 to 4.5) show some of the ET maps obtained from MODIS images, the year with the

lowest calculated results (Figure 4.3) and the years with the highest values (Figure 4.5). The values obtained

are similar to those found by (Mu et al., 2011) for the southeastern region of Brazil and for woody

savannahs. Through the analysis of maps, it was observed that the highest ET values occur in areas where

there is greater water availability (pivots), higher water availability associated with lower temperatures (areas

of natural vegetation, especially riparian forests) and areas with forestry activities. The latter always present

the highest values on maps. (Sharma, 1984) has shown that river basins vegetated with eucalyptus, annual

evapotranspiration can reach more than 70% of the total annual precipitation, and may be up to three times

higher than evaporation during periods of drought.


39

Figure 4.3 - Evapotranspiration maps of sub-basins for the year 2001: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.


40

Figure 4.4 - Evapotranspiration maps of sub-basins for the year 2004: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.


41

Figure 4.5 - Evapotranspiration maps of sub-basins: a) Rio Escuro (2013); B) Rio Verde (2014) and C) Entre Ribeiros (2013).


42

The boxplot graphs created from MODIS image data (Figure 4.6) show that despite small

oscillations over the years, ET shows a clear upward trend in the last 14 years. While in the Entre Ribeiros

and Rio Escuro sub-basins, this trend is gradual, in the Entre Ribeiros sub-basin, data are presented in two

groups, one with smaller values between 2001 and 2008 and another with higher values from 2009. Studies

by (Tabari & Hosseinzadeh, 2014) show that in humid climates, only increases above 20% in air temperature

can lead to an increase of up to 1.2% in ET, whereas smaller increases tend to reduce ET. In the case of the

Paracatu river basin; however, the increase in ET over the years was not accompanied by an increase in

temperature (Table 4.2). The behavior found may be related to changes in land use and occupation suffered

in the last decades. In meta-analysis of data in tropical and subtropical areas around the world, (Stewart,

1984) found significant increases in ET rates due to the exchange of native vegetation cover by agricultural

crops, pasture or forestry.


43

Figure 4.6 - Boxplot graphs with ET data obtained from MODIS images for the three sub-basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.


44

Table 4.2 presents available data from the Paracatu station, with total precipitation, total net discharge (in the

Paracatu river), average temperature and evaporation values for the month of July, and ETjuly values

calculated using the Thorthwait method. The total river flow shows a direct relation with total annual

precipitation (r2 = 0.64), as a function of the collection of river water for irrigation. In warmer and drier

periods, there is a greater need to collect water from streams to supply the water requirement of crops. The

sub-basins have altogether about 100 irrigation pivots (Figure 4.2). The calculated ETp values (Table 4.2), in

general, show a tendency to stability, unlike boxplots of (Figure 4.5), with most values between 3.9 and

4.1mm / day. These values are similar to those obtained by other authors for the southeastern region of Brazil

who used the Thorthwait method (Camargo & Camargo, 2000). However, it is noteworthy that the year 2004

presented the highest amount of rainfall for the month of July during the study period and the lowest

maximum temperatures, which resulted in the lowest ETp values calculated by the Thorthwait method for

the month of July. The milder temperatures and precipitation, even if low, may have reduced the need for

irrigation, allowing the river to maintain higher net discharge in July 2004 (Table 4.2).

Table 4.2 - Climatological data of the Paracatu meteorological station (Sources: INMET and ANA) total

(rainfall and net discharge) and averages for the months of July (temperature and evaporation). Potential

evapotranspiration (ETp) values were calculated using the Thorthwait method for the months of July.

Precipitation

(mm)

Discharge

(m3/s) Temperature

MAX (0C)

Temperature

MIN (0C)

Evaporation

PICHÉ

(mm)

ETp

mm/day

July

Total

annual July

Total

annual

2001 0,0 1168,2 26,6 838,3 29,9 15,7 5,2 4,1

2002 9,5 987,6 43,3 1033,9 29,9 16,3 no data 4,1

2003 0,0 1310,3 54,3 1111,1 28,3 14,3 4,4 3,9

2004 10,4 1591,8 94,1 1239,4 26,7 14,1 4,1 3,1

2005 0,0 1753,7 73,7 1735,6 27,2 14,7 7,0 3,9

2006 1,6 1682,0 75,6 1440;0 27,2 13,8 6,3 3,8

2007 0,0 862,8 79,7 1107,5 28,6 14,5 7,5 3,9

2008 0,0 1198,6 57,1 1472,4 27,2 14,0 7,6 3,8

2009 0,0 1478,1 63,3 1548,1 29,2 15,5 6,4 4,0

2010 0,0 1410,5 47,1 1249,8 28,4 15,1 6,9 4,0

2011 0,0 1349,2 81,7 1446,3 28,9 14,2 6,0 3,9

2012 0,0 1020,5 52,2 1095,0 29,0 14,9 7,4 3,9

2013 0,0 1408,8 66,0 1392,3 28,3 15,2 5,8 3,9

2014 8,4 968,0 28,8 813,1 27,1 15,2 6,7 3,9


45

As the Thorthwait method is based almost exclusively on temperatures, the lower ETp values for

2004 reflect the lower maximum temperatures recorded for the month of July in the years studied. On the

other hand, the results obtained for the same year with MODIS images (Figure 4.6) show a slight elevation in

ET values. In principle, any rise in air temperature is expected to lead to increased transpiration at leaf level.

However, in certain situations, the vapor pressure difference at the leaf-atmosphere interface increases in

response to temperature elevation, reducing, at least partially, stomatal conductance and consequently

transpiration rate (Nijs et al., 1997). On the contrary, a decrease of about 2 degrees in air temperature,

especially in the tropics, whose plants apparently operate near temperature thresholds (Doughty & Goulden,

2008), added to the rainfall, even if low, as observed in July 2004 in relation to the other years, could favor

stomatal opening and increase the transpiration rates. The algorithm used to calculate ET seems to more

realistically express the effect of temperature on stomatal conductance (in addition to other factors) in stands

of riparian forests in tropical biomes, indicating an increase in evapotranspiration in 2004, unlike that

estimated with data from meteorological station.

The variations between methods used to determine evapotranspiration were already expected, since,

in addition to working at different scales and with different data input, the equations used are based on

different concepts.

4.4 - CONCLUSIONS

Effective irrigation management in large agricultural basins can greatly improve the water use

efficiency without reducing production; for this, quantifying evapotranspiration is critical. Traditional

methods for calculating ET based on meteorological data are restricted to sites with large complete historical

series, rare in tropical or underdeveloped tropical countries. Remote sensing techniques are characterized by

data robustness, agility in obtaining results and because they are much more cost effective for small scale

work, such as those needed for continental countries such as Brazil.

The set of MODIS images (MOD16A2 product) and the algorithm of (Mu et al, 2011) used in this

work were very promising for the calculation of ET in tropical river basins. Annual maps enabled a

spatiotemporal assessment of large river basins, which is technically impossible using traditional methods.

With data obtained at sampling points, it was possible to spatially locate areas with higher ET values, such as

forestry properties, and a trend of elevation in ET rates in the last 14 years. The identification of these

patterns can help in the future planning of water use in sub-basins under study, which are dependent on

irrigation for agricultural and eucalyptus production.


46

47

CAPÍTULO 5

AGRICULTURAL INFLUENCE ON THE HYDROGEOCHEMISTRY OF

THE SUBBASINS OF THE VERDE, ENTRE RIBEIROS AND ESCURO

RIVERS OF PARACATU HYDROGRAPHIC BASIN (MG) – BRAZIL.

ABSTRACT

Purpose – Of the numerous hydrogeochemical river-water transformations provoked by intense and

irrational soil practices, heavy metal contamination by agrochemical usage is the most worrisome. Long-term

metal accumulation can be transported by rainwater during storms, contaminating rivers. Data on this type of

contamination is still scarce, principally in developing countries, such as Brazil. Herein, the authors evaluate

the influence of agricultural activities on the hydrogeochemistry of the Paracatu River’s sub-basins.

Design/methodology/approach – From a total of 77 points along three sub-basins, water samples were

taken for heavy metal and trace element analyses using spectrometry of atomic emission through plasma

(ICP-OES, Spectro Ciros CCD). The principal water-quality parameters, such as pH, turbidity, conductivity,

oxi-reduction potential, total dissolved solids (TDS), temperature and dissolved oxygen were measured in

situ.

Findings – By incorporating a small drainage area at the monitoring points, it was possible to perceive

agriculture’s influence (in the form of heavy metal contamination from fertilizers and pesticides) on the

water courses.

Practical implications – The results demonstrate a need for monitoring the areas involved with agricultural

activities, not only along the main river, but also along small streams that compose the Paracatu Basin.

Originality/value – There is no published literature on this subject regarding the three studied basins.

Keywords – Water geochemistry, Agriculture, Paracatu River, Environmental management, Brazil

Paper type – Case study


; Leite, Mariangela Garcia Praça Leiteb

a,b,c Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro

Preto, MG, Brazil.

Accepted manuscript in Management of Environmental Quality: (DOI: DOI

10.1108/14777831011049133).

a*




48

5.1 - INTRODUCTION

The relationship between soil and hydraulic resource usage generates conflicts and generally results

in negative impacts on the environment at various levels, such as: river-water pollution and reduction,

sediment transport, and/or contamination. As a consequence of rapid socio-economic growth (Biswas, 1999),

water quantity and quality decreases while demand for this natural resource increases. This has been

intensified by technological development and globalized economics. Water-quality problems are greatly

related to antropic activities, such as unsustainable agriculture and inadequate disposal of residues generated

by domestic and industrial activities. (Tucci et al., 2000; Dias, 2001; Rodrigues, 2001). Impacts of the

farmers’ intense and irrational soil usage on river water has been studied by various scientists (Marques et

al., 2007; Oliveira et al., 2007; Borges et al., 2007; Campos et al., 2009). However, lately, special attention

is being given to water’s metal contamination from the use of agrochemicals. (Meybeck et al., 2007)

describe the contamination of the Seine River (France) by Cd, Cr, Cu, Hg, Pb and Zn, accumulating from

industrial and agricultural activities during the last 50 years. (Chetelat et al., 2008) associate regional

agricultural activities to a great part of the elements encountered in the water of the Changjiang Basin

(China). Also in China, (Chen et al., 2002) detected the presence of Ca, Mg, Na, K, HCO3, SO4, Cl, and Si

in the Yangtze River and correlated these elements to farming activities in the area. In England, (Nicholson

et al., 2003), working only with soil from agricultural areas, detected the presence of Zn, Cu, Ni, Pb, Cd, Cr,

As and Hg, which would be available for transport to water courses. In Brazil, various articles have been

published on the subject, such as is the case of (Ramalho et al., 2000). They studied the Caetés watershed

and found that the intense application of agrochemicals provoked an increase in the heavy metal

concentrations of the water and sediment, presenting higher levels than the maximum standards established

for potable water by the Brazil’s Health Department. Santos et al. (2008) detected cadmium and lead values

above the limits established by the CONAMA 20/86 Norm. The Paracatu Basin (Figure 5.1) is surrounded

by intense mechanized agriculture areas that use extensive central-pivot irrigation systems. The dynamics of

large-farm crop production demands a great consumption of fertilizers, pesticides and herbicides, that if not

used in a rational form, will greatly contaminate the area. To maintain water quality at acceptable standards

for consumption, and at the same time guarantee farming activities, river-water monitoring is required to

guarantee sustainable development of the area. To be able to make wise decisions, knowledge of the water

cycle and basin dynamics is essential, improving the management of the hydrographic basins and their

resources. Although the Brazilian government has made an effort to increase monitoring the country’s

hydraulic resources, the immense extension of the waterworks in the country involves prohibitive operational

costs. Figure 5.2 shows the pre-existing water-quality monitoring points in the Paracatu River Basin. Notice

that in the entire Basin, there are only 19 sampling points, corresponding to more than 2400km2/point.


49

Figure 5.1 - Paracatu basin and sub basins location map


50

Figure 5.2 - Water quality monitoring points (IGAM)


51

As such, there is a great lack of knowledge about this area suffering, not only from the impact of

intense agriculture, but also from other sources of antropic activities inherent to the large cities that are

located in this region. It is well-known that small drainage systems are an important tool to be utilized when

evaluating land-use changes that consequently transform the hydraulic resource characteristics when the

soil’s chemicals are processed and transported to the waterways (Likens, 2004; Thomas et al., 2004). Of the

19 sampling points, 08 are encountered in the three studied sub-basins with three in the Entre Ribeiros River

subbasin (ERR) (two in the São Pedro Creek – Pts. 025 and 029 and the third in the Entre Ribeiros Creek –

Pt. 031), four points in the Escuro River (ER) subbasin (Pts. 09, 011, 13, and 15) and a single point in the

Verde Rio (VR) subbasin (Pt. 035 – in the exit point) of the subbasin near the confluence of VR with the

Paracatu River ; all being located in main rivers. This study tries to reduce the lack of data for the area by

supplying data from the monitorization of small drainage systems, incorporated at the points, and

characterizing the hydrogeochemicals of these three subbasins of the Paracatu River Basin.

5.2 - LOCATION AND CHARACTERIZATION

The Paractu River, which in the Tupi-Guarani language means “good river”, drains a surface of

approximately 45.600km², including areas from the states of Minas Gerais, Goias and the Federal District. It

is an affluent of the São Francisco River, being responsible for around 24% of its flow. According to

estimates from IBGE - Instituto Brasileiro de Geografia e Estatística – for the year of 2007, the region

drained by the basin contains more than 3 million inhabitants (IBGE, 2009). Its occupation dates back to the

beginning of the eighteenth century and since then has been involved in extractive activities. With the

discovery of gold in the region, inumerous expeditions converged in this area, forming primitive population

aglomerates and support points for travelers and exploratory expeditions. With the decline of the mining

activity in the second half of the eighteenth century, cattle-raising became the principal economic activity of

this area, populating the area but not producing enough to stimulate regional development. With the

transferance of Brazil’s Capitol from Rio de Janeiro to Brasília, this situation transforms in the 60s and 70s

when programs were established to make use of the area’s economical resources, principally in respect to the

expansion of its agricultural frontier. Since then, by producing grains, it now plays a significant role in the

regional economy (IGAM, 2006). The basin has great extensions of central-pivoted irrigation systems, which

lead to great water-usage conflicts. The Entre Ribeiros River (ERR) subbasin is located in the midway up the

Paracatu River, having an area of 3962.51km2. Its land occupation was stimulated and orientated, in 1983,

by a settlement incentive (Colonization project of Paracatu/Entre Ribeiros) that created an increased water-

usage demand for the expanding agricultural activities. It is an area intensively farmed with pivot-irrigated,

mechanized agriculture and other activities, such as cattle pastureland (this latter occupies around 39.62% of

the subbasin) (See Table 5.1). According to Regis (2007), along its history, this subbasin has presented a

trajectory of water shortage, complete vegetational suppression, and producer conflicts. It is understandable

that the deforestation of this subbasin for these farming activities has had its consequences and the areas


52

most affected are the upper part of the Preto River, the middle to lower parts of ERR, and the middle to

lower parts of ER. The plateau area is characterized by soybean plantations, while the fluvial valleys are used

for other crops and pastureland. Along the subbasin of ERR, some naturally-flooded areas were drained to

give place to pastureland and agriculture. According to PLANTAR (1996), the areas with natural vegetation

are restricted to steep hill zones where the soil is inadequate for agricultural development.

Table 5.1 - Classes of the use, occupation and vegetal cover of the studied sub basins

(Source: Plano Diretor de Paracatu, 2006).

The VR subbasin, with an area of 1310.62 km2

and situated in the Municipality of João Pinheiro,

feeds the Paracatu River Basin at midcourse. Two small rivers feed this subbasin: the Feio River and the

Verde River; this latter giving name to the subbasin. Its upstream course is characterized by rolling hills with

a well-developed and preserved dense forest. Whereas, in the midcourse and downstream areas, there is s

significant reduction in slope, forming a huge flatland, characteristic of this zone. Close to the convergence

of the Verde River with the Feio River, pastureland dominates the scenery, occupying a total area of 43.58%

(Table 5.1). Eucaliptus plantations (located in the upper and midcourse of the river) represent 122 km2 of the

occupied area. Close to its exit point, there are soybean and corn crops, using huge pivot irrigators (Plano

Diretor da Bacia do Paracatu, 2006). The water from the Verde River subbasin is mainly used for human

consumption, watering animals, recreation and gardening. Untreated sewage is deposited directly into the

river, degrading it even further (IGAM, 2006). The ER subbasin is localized in the upper course of the

Paracatu River, presenting a length of 139 km, covering an area of 4375,22km2, and fed by four rivers: the

Santa Isabel River, the Escurinho River, the Claro River e the Escuro River. According to IGAM (2006), it is

an area dominated by pasture land with partially preserved dense forests, and according to data presented in

the Plano Diretor do Rio Paracatu, around 1807.19 Km2

of a total of 3817.78 Km2

are occupied by

pastureland, representing 47.34 % of the total area of the subbasin (Table 5.1). The hydrical resources of this


53

sub basin are utilized principally for irrigated agriculture and for the City of Paracatu’s water supply.

Deforestation frequently occurs in this subbasin, as preference is given to opening new areas for crops or

pastureland, which generates various problems and environmental conflicts.

5.3 - METHODS AND MATERIAL

5.3.1 - Sampling point selection

Selection of the sampling points was done on the basis of the drainage structure in each subbasin,

together with the geology and land-use of the area. The objective was to determine the particular features of

each subbasin. For this, a total of 77 points for water collection were chosen: 23 in the ERR subbasin, 15 in

the VR subbasin, and 30 in the ER subbasin (Figure 5.1).

5.3.2 - Physical-Chemical Analyses

Electricity conductivity (EC), total dissolved solids (TDS) oxidadtion reduction potential (ORP),

temperature and pH were determined in situ utilizing a multiparameter Myronl Ultrameter II device. Also in

situ, a Digimed DM-4P oximeter was used to measure dissolved oxygen (O2) and a Hanna HI93703

turbiditymeter to measure turbidity. All of the instruments were previously equilibrated in the laboratory.

Parallely, 30 mL of water was collected and filtered with 0.45µm membranes adapted to 50mL seringes to

separate soluable particulated elements. While in the field, the samples were acidified with concentrated

nitric acid for a pH of less than 2 and preserved at 4°C for the future use in metal and metaloid analyses. The

chemical elements were determined by spectrometry of the atomic emission (ICP-OES, Spectro Ciros CCD).

The methodology used was in accordance with that recomended by the Standard Methods for Examination of

Water and Wastewater (Greenberg et al., 1992). Finally, the obtained results were compared with the data

obtained during the campaign for water-quality evaluation of the Programa Águas de Minas do IGAM

(Instituto Mineiro de Gestão das Águas) and with the reference values determined by the norm CONAMA

357/2005.

5.4 - RESULTS AND DISCUSSION

According to a report issued by IGAM in 2008, when the studied basins have monitoring stations,

they present average values for the IQA (water quality index) between 50 and 70, which represent average

values for the contimation by agrotoxins. of IGAM’s monitoring stations, four present water classified as

Class 1 in accordance with the CONAMA (2005) Norm and the rest are classified as Class 2 in function of

the high values of lead, manganese, and sometimes cadmium found in the water. Table 5.2 to 5.7 present the

results obtained for the three studied sub basins. The highest acidity value for pH was registered in the ER

subbasin, where values oscillated between 2.6 and 6.9 for an average of 5.1, which is below the value

established in the CONAMA, 357/05 Norm. Only 15 points of a total of 39 registered values inside the Norm

(Table 4.2).


54

Table 5.2 - Results of physical chemical parameters analyzed in ER subbasin

In comparison, the ERR subbasin registered the lowest 4.6 and highest 7.59 pH values and of the

total of 21 sampling points, only 6 were within the values established by the Norm (Table 5.3).


55

Table 5.3 - Results of physical chemical parameters analyzed in ERR sub basin.

Finally, in the VR subbasin, the only value below the CONAMA Norm was found at point RV15

with a pH of 4.62 (Table 5.4).

Table 5.4 - Results of physical chemical parameters analyzed VR subbasin


56

As far as oxidation reduction is concerned, noticeable are the high values found the ER subbasin.

When evaluating the set of pH and Eh values, the difference in the sub basins is very clear: while the ER sub

basin presents the highest values of Eh and the lowest for pH, the VR sub basin presents the highest pH

values and the lowest Eh values. The ERR sub basin, on the other hand, presents intermediate values for both

pH and Eh. In general, the totally dissolved solids (TDS) were below a 500 mg/L concentration; value

stipulated by CONAMA Norm 357/05. In the ER sub basin, of the 39 sampling points, only one (ER33)

presented a value above the Norm, registered at 549.20 mg/L, while the rest oscillated between 4.78 mg/L

and 238.3 mg/L. The TDS values in the ERR sub basin presented a uniform behavior with all below the 500

mg/L accepted value, oscillating between 2.25 mg/L and 72.46 mg/L. The same behavior was observed in

the VR sub basin, where all the TDS values were below the maximum established by the Norm, oscillating

between 12.32 mg/L and 284.30 mg/L. Most of the dissolved oxygen (DO) values were below the value

stipulated for Class 3 water, especially in the RE sub basin, where 29 of the 39 sampling points presented

values lower than 4ppm. The highest turbidity values were found in the ERR sub basin, oscillating between

1.31 and 902.0 UTs. In the VR sub basin, the minimum turbidity value was 0.78 Uts and the maximum,

43.01 UTs. This is very different of the ERR sub basin, where the tributaries flow less the dense forest is still

intact and the mechanized agriculture only occurs close to the point of confluence of the VR with the

Paracatu River. The higher values correspond to the streams with a heavy flow and a great volume of

sediments in suspension. This previously described sub basin is an area where there are large production

areas dominate, producing soybean, corn, and sugarcane on a large scale, but there are some non-productive

areas from which the soil can be easily transported to the streams. In the VR basin, the minimum turbidity

value was 0.78 UT and the maximum, 43.01 UT. This is quite different from the ERR sub basin whose flow

is less and forest is dense and well-preserved; mecanized agriculture only occurring at the point of

confluence of the Verde River and the Paracatu River. The heavy metal concentrations of the sampled water

from the VR sub basin are shown in (Table 5.5).


57

Table 5.5- Concentration of major and trace elements in VR subbasin waters

Notice that some concentrations are above the Class 2 acceptable limits according to (CONAMA,

2005) Norm, placing this water in the Class 3 category or even Class 4. Lead (Pb ) and Zinc (Zn) were

detected at two points: the first, at point VR07 where the concentration was 52.7 µg/L and the second, at

point VR15 where the concentration was 205,4 µg/L. The iron (Fe) presented concentrations above the

values recomended by the Norm at 34 of the 77 sampling points, especially in the VR subbasin, where 85%

of the points contained concentrations above 0.3 mg/L. The aluminum (Al) and Copper (Cu) presented

values above the limits for Class 3 in 15 points, with special notice given to the presence of Cu in the ERR

sub basin, where 33% of the points had values above 0.009 mg/L. Cu was the determining element for the

classification of the water as Class 3 or 4, as it was a constituent common in fungicides (Chaim et al., 2001),

utilized in protecting various crops.

When the average concentration values of the elements are compared in the 3 sub basins some values

call attention: the ERR (Tables 5.6) sub basin presents greater Al concentrations; the ER sub basin (Table

5.7) presented lower values of Mg and Zn; and the VR sub basin presented greater average concentrations of

almost all of the elements, with emphasis on the values obtained for Ba, Ca, K, Na, Fe, Mn e Sr.


58

Table 5.6 - Concentration of major and trace elements in ERR subbasin waters


59

Table 5.7 - Concentration of major and trace elements in ER subbasin waters


60

5.5 - CONCLUSIONS

The three sub-basins monitored during this study are encountered in an area of intense agricultural

activity, all with large areas designated for pastureland. At the ERR and ER sub-basins, besides cattle-raising

activities, there are also crops of soybean and corn planted, while in the VR sub-basin, the second greatest

activity is reforestation in the form of Eucaliptus plantations. The metals that appear with concentrations

above the limits defined for Class 2 water according to CONAMA’s 357/05 Norm are Al, Fe,Cu, Mn and Zn.

These two latter elements appear at specific monitoring points and the only source of contamination that

justifies the presence of these elements in this area are the items used in agricultural activities. According to

Ongley (1996), agriculture is the single largest user of freshwater resources, using a global average of 70 per

cent of all surface water supplies. Except for water lost through evapotranspiration, agricultural water is

recycled back to surface water and/or groundwater. Conventionally, in most countries, all types of

agricultural practices and land use, including animal feeding operations (feed lots), are treated as a non-point

sources. Non-point source pollutants are transported overland and through the soil by rainwater and

ultimately find their way into groundwater, wetlands, rivers, and lakes and, finally, to oceans in the form of

sediment and chemical loads carried by rivers. One area, however, that is well known, is the data problem.

The water quality database, which is available in many developing countries (and in some developed

countries), is of little value in pollution management at the river basin scale, nor is it useful for determining

the impact of agriculture, relative to other types of anthropogenic impacts. A common observation among

water quality professionals is that many water quality program, especially in the developing countries,

collect the wrong parameters, from the wrong places, using the wrong substrates and at inappropriate

sampling frequencies, and produce data that are often quite unreliable. In spite of the monitoring performed

by IGAM, that classified the water from the sub-basins as Class 1 or 2, 50 per cent of the analyzed points

presented element concentrations that placed them in Class 3 and21 per cent in Class 4. This is evidence that

there is an extreme need to establish more adequate monitoring points in the sub-basins, including small


61

drainage channels, so that it would be possible to perceive the different particularities encountered in the

area, and as such, aid in the sustainable management of the water resources for future generations.


62

63

CAPÍTULO 6

A GIS-BASED TOOL FOR ESTIMATING SOIL LOSS IN AGRICULTURAL

RIVER BASINS

Abstrat: Soil erosion is a major problem observed in terrestrial ecosystems. Monitoring and identifying

potential areas for erosion becomes extremely important for better management of these areas. The main aim

of this study was to development of a Geographic Information System scripttool based on the universal soil

loss equation (USLE), which calculates soil loss in three large agricultural sub-basins. Algorithms were

implemented in the graphical interface of ModelBuilder and later in Python programming language, thus

allowing the creation of a specific script to calculate soil loss in an automatic way. The "USLE Paracatu

Watershed" script was validated and proved to be effective in estimating erosion in the three sub-basins with

an average processing time of half second per km2. This can be added via "ArcToolbox" toolbox in ArcGIS

software, so that the user only has to add the variables of the USLE equation and the software will process

the algorithms in an automatic way, generating the final map with the soil loss value (t/ha.year). The friendly

interface of the script allows it to be used in any area, only requiring the user to enter the updated data of

parameters that compose the equation.

Keywords: universal soil loss equation, GIS, script, watershed.


; Leite, Mariangela Garcia Praça Leiteb; Neves, Antônio Henrique

Caldeira Jorgec.

a,b,c Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro

Preto, MG, Brazil.

Accepted manuscript in REM (International Engineering Journal): (DOI: doi.org/10.1590/0370-

44672015690197).

a*




64

6.1. INTRODUCTION

Erosion processes, terrestrial relief modelers, are natural events taking place worldwide over the

geological time. However, the propensity of a particular area to soil loss can be enhanced due to its use and

occupation, particularly in cases involving the removal of native vegetation (Foucher et al., 2014). Currently,

soil erosion is a serious problem that threatens watersheds in tropical regions with intense agricultural use

(Sreeja et al., 2015). Such erosion processes not only promote loss of fertile soil, but also increase the

amount of particulate matter carried to rivers, reservoirs and seas, with consequent deposition and silting,

deteriorating the quality of ecosystems. There is an increasing need for tools that enable efficient and

optimized management of these resources. There is no single method that provides assessment and

quantification of erosion processes, since erosion calculation is directly linked to spatial scale and study

purpose (Warren, 2002). One of the models most widely used for the calculation of soil loss in agricultural

areas is USLE (Universal Soil Loss Equation), developed by Wischmeier (1978) linked to the United States

Agriculture Research Service. This seemingly simple equation has shown great potential in the evaluation of

erosion in regional scale, both in the identification of potentially erodible areas as in monitoring erosion over

time. Its efficiency is based on the estimation of the main factors that control erosion processes (Wischmeier

and Smith, 1978): rainfall erosivity (R), soil erodibility (K), topographical factors (LS), soil use and

occupation (C) and conservation practices (P). These factors, when specialized, may be entered into a GIS

database, so that the results (output) obtained by geoprocessing techniques are represented in a grid of geo-

referenced cells, allowing a quantitative analysis of the spatial distribution of erosion. Soil loss estimated

through GIS has lower costs as compared with traditional methods, and greater accuracy for large areas (Lu

et al., 2004 and Erdongan et al., 2007). Therefore, the use of USLE based on Geographical Information

Systems (GIS) is increasingly common, especially in watersheds of developing countries, where agricultural

areas are large and resources used for the sustainable management of these regions are scarce (Fistikoglu and

Harmancioglu, 2002; Erdogan et al., 2007; Pandey et al., 2007; Dabral et al., 2008; Ozcan et al., 2008;

Beskow et al., 2009; Devatha et al., 2015; Guo et al., 2015). Nevertheless, there are few projects that have

made use of a tool (script tool) coupled to GIS to optimize this process. In this context, the aim of this study

was to develop and test a tool on a GIS platform that calculates the erosion rate based on the USLE empirical

model. This is a script created through ModelBuilder and ArcPy features (ESRI, 2015). Initially, the

conceptual model of USLE was built using ModelBuilder, where spatial problems and techniques to be used

were defined, which were used to define input data and structure algorithms. Subsequently, IDE PyScripter

was used in implementation, editing and debugging of algorithms used in the construction of the tool (script

tool). The script created was then added as a tool (script tool) to the ArcGIS desktop software 10.2. The tool

developed will increase the efficiency in the management of watersheds, reducing the time and allowing its

application in areas of different sizes, geomorphologies and uses. In addition to these advantages, being an

“add in” in the ArcGIS 10.2 software, it becomes a tool with a friendly interface to users, who will not


65

need to be experts in GIS, since they only need to select the input of layers, which in this case are the

parameters that compose the USLE formula.

6.2. MATERIAL AND METHODS

6.2.1 Description of the study area

The Paracatu Watershed (BHRP) is inserted between geographical coordinates 15°30 '/ 19°30'S and

45°10'/ 47°30'W, covering an area of 45,600 km2, and 92% of this area, approximately 41,600 km

2 belong to

the state of Minas Gerais, and the remaining 5% and 3% is distributed between state of Goias and the Federal

District (IGAM, 2006). The climate of the Paracatu Watershed is classified as rainy megathermal Aw type

(Köppen. - Pellet et al., 2007), i.e., it presents a summer rainy season from October to April (93% of the

annual total rainfall) and a dry winter season from May to October, when rainfall is minimal and the

temperature is mild, with average monthly temperature of 18°C (IGAM, 2006). The study area includes three

Paracatu River sub-basins (Figure 6.1): the Entre Ribeiros sub-basin (ET), Rio Verde and Rio Escuro. These

areas are heavily occupied by mechanized agriculture, in which the irrigation method is adopted by central

pivot, in addition to other activities such as livestock and eucalyptus monoculture.


66

Figure 6.1 - Localization map of sub basins: Entre Ribeiros, Rio Escuro and Rio Verde, with the sedimentological and weather stations.


67

6.2.2 - Data sources and processing methods

Satellite images used in this study include SRTM radar image (Shuttle Radar Topographic Mission),

spatial resolution of 30m, which was used to obtain the LS factor and ASTER satellite image to make the

map of soil use and occupation of 2006 (C factor). The soil map of the Paracatu Watershed Master Plan

(IGAM, 2006), which forms the basis for obtaining the K factor and the historical data from 35 weather

stations for the generation of the R factor (Figure 5.1). In a pre-processing step, data were converted to a

common projection system (World Geodetic System 1984 Zone 23S). In its original version, the Universal

Soil Loss Equation (USLE) is as follows (Wischmeier and Smith, 1978):

𝜜 = 𝑹 𝑲 𝑳𝑺 𝑪 𝑷 Equation 6.1

Where: A is the average annual soil loss (t / ha.year), R is the erosivity factor (MJ mm / ha h), L is the length

factor (dimensionless), S is the slope factor (dimensionless), C is soil use / management factor and P is the

factor related to conservation practices (dimensionless).

6.2.2.1 - USLE factors

The erosivity factor (R) is defined as the sum of the annual average of products of kinetic energy and

rainfall by the maximum intensity for a period of 30 min (I30). In this study, the R factor was estimated from

historical data of 35 rainfall stations spatially distributed over the three sub-basins evaluated in this study

(Figure 6.1), using the equation developed by (Carvalho et al. 1991):

𝐄𝐈𝟑𝟎 = 𝟏𝟏𝟏, 𝟏𝟕 ∗ (𝐫/𝐏)𝟐 Equation 6.2

Where EI30 corresponds to the average monthly erosivity index (MJ.mm/ha.h), (r) is the average monthly

total rainfall (mm), and P is the average total annual rainfall (mm). For determining (R), the monthly values

for each rainfall station were added, according to equation 6.3:

𝐄 = ∑ 𝐄𝟑𝟎𝐣𝟏𝟐𝐣=𝟏 Equation 6.3

The soil erodibility map (K factor) was obtained by the soil map georeferencing (scale of 1: 500,000) of the

Master Plan for Water Resources of the Paracatu Watershed and adapted from (Silva, 2004). The soil use and

occupation factor (C) and the conservation practices factor (P) were obtained from ASTER images of July

2006. To obtain the soil use and occupation of sub-basins, a supervised classification method was applied

(Likelihood algorithm), using the ENVI 4.2® software. This classification resulted in the following classes:

1- Natural vegetation (CP= 0,006); 2 - Eucalyptus plantation (CP=0,012); 3 – Pivots (CP=0,09); 4- Pastures

(CP=0,025); 5- Wetlands / water (CP=0,00); 6 – Shade (CP=0,00). The soil use and occupation map was

reclassified to the respective C values.


68

The calculation of the L topographic factor was performed using the algorithm of Desmet and Govers (1996)

(Equation 6.4):

𝐋𝐢𝐣 =[(𝐀𝐢𝐣−𝐢𝐧+𝐃𝟐)

𝐦+𝟏−(𝐀𝐢𝐣−𝐢𝐧)

𝐦+𝟏]

[𝐃𝐦+𝟐.𝐱𝐢𝐣𝐦(𝟐𝟐.𝟏𝟑)𝐦]

Equation 6.4

Where Lij is the length factor of a cell with coordinates (i, j), Aij-in is the contribution area of the cell with

coordinates (i, j) in (m2), D is the cell size (meters), X is the aspect coefficient for the cell grid with

coordinates (i, j) and m is the slope function coefficient for the cell grid with coordinates (i, j). Exponent m

was calculated from β, which is the ratio between erosion channels and inter-channels, as suggested by

Renard et al. (1997):

𝓶 =𝛃

𝛃+𝟏 Equation 6.5

Where β is given by equation 6.6:

𝛃 =

𝐬𝐢𝐧 𝛉

𝟎,𝟎𝟖𝟗𝟔

[𝟑.𝟎 (𝐬𝐢𝐧 𝛉)𝟎.𝟖+𝟎.𝟎𝟓𝟔] Equation 6.6

The slope (S) was calculated according to Renard et al. (1987):

𝓢(𝐢,𝐣) = {𝟏𝟎. 𝟖 𝐬𝐢𝐧 𝛉(𝐢𝐣) + 𝟎. 𝟎𝟑 𝐭𝐚𝐧 𝛉(𝐢,𝐣) < 𝟎. 𝟎𝟗

𝟏𝟔. 𝟖 𝐬𝐢𝐧 𝛉(𝐢,𝐣) − 𝟎. 𝟓 𝐭𝐚𝐧 𝛉(𝐢,𝐣) > 𝟎, 𝟎𝟗 Equation 6.7

Equation 6.7 was implemented in the first phase the in ModelBuilder and later in the Python

programming language, allowing the automatic calculation of this parameter via ArcGis® software, resulting

in LS maps of the three sub-basins.

6.2.3. Development of the "USLE Paracatu Watershed" script

In the cartographic modeling, the geoprocessing mechanism involves entering input data, performing

a mathematical operation in this set of data and returning the results as output data. It was observed that these

mathematical operations are carried out with matrix and vector data. The implementation of equations

described above (Figure 6.2) was carried out in the graphical interface of the ModelBuilder in ArcGis® for

desktop software 10.2.2 (ESRI, 2015) and subsequently implemented in Python 2.7 programming language,

thereby helping to create a specific script to make the soil loss calculation (A). Then, the code for

implementing the Phyton algorithm was created, subsequently used for adding a tool (script tool – Figure

6.3) in a set of tools (toolbox) in the ArcGIS software with the Spatial Analyst extention. This tool runs in


69

ArcGis versions that support Phyton 2.7. Raster Calculator defines raster cell size basead on DEM

resolution.


70

Thus, erosion estimate (A) was obtained from the product (output) of all plans of information related to the USLE factors, using equation 6.1 (inputs).

Figure 6. 2 - Flowchart in the ModelBuilder interface illustrating the set of geoprocessing operations used by the "USLE Paracatu Watershed" script to

perform the soil loss calculation (A). Input data are represented in blue, equations (algorithms) are in yellow and the output data are in green (from

intermediate to final products).


71

Figure 6.3 - Soil Lost Script Tool window in Arctoolbox.

6.2.4. Data validation

6.2.4.1. Total soil loss (A)

After applying equation 6.1, the total soil loss maps (A) were obtained. In order to validate these

results, the average soil losses were calculated for each sub-basin, eliminating 10% of their most extreme

values, according to the procedure adopted by Silva (2004). Then, the values obtained for soil loss in each

sub-basin were transformed into sediment input. The results were then compared to sedimentological data

from the Santa Rosa and Porto Alegre stations (Table 6.1).

Table 6.1- Total annual sediment load (t/year) in Santa Rosa and Porto Alegre stations

Total annual sediment load (t/ano)

Stations

Current study

(estimated for

2006)

Silva, 2004

(estimated for

1999)

Carvalho, 1994

(measured between

1976 e 1982)

Santa Rosa 2,22 x 106 2.92 x 10

6 2,02 x 10

6

Porto Alegre - 5,48 x 106 5,20 x 10

6

6.2.4.2 - Sedimentological data

Unfortunately, there are no sedimentometrical stations in the basins studied, so the erosion values

obtained were compared to sedimentological data from two stations of the Paracatu Watershed: Santa Rosa

station - covering a drainage area of 13,067 km2 (downstream of the Rio Escuro sub-basin); and the Porto

Alegre station - with drainage surface of 42,171 km2 (downstream of all sub-basins).


72

6.2.4.3 –Sediment delivery

The total soil loss calculated by USLE is most often greater than the sediment load measured at the

mouth of basins (Zhou and Wu, 2008), the result of sedimentation along waterways. The sediment delivery

ratio (SDR) is used to correct this reduction. Thus, to validate the results, from values of the average annual

soil loss of the sediment delivery in stations, equation 6.8 (Lu et al., 2003) and equation 6.9 were used

(Renfro, 1975).

SDR =Y

A Equation 6.8

SDR =1

a0,2 Equation 6.9

Where SDR is the sediment delivery ratio (%); Y is the sediment supply in the mouth of the basin (t/year); A

is the average loss of soil within the basin (t ha-1

/year); a is the contribution area.

The sediment input values in the mouth of each station are in Table 6.1. In this study, the value was

estimated for the year 2006 from the liquid flow x solid flow ratio in the time historical series from 1976 to

2015. The average soil loss calculated for the input area of each station was then compared with value

corresponding to that obtained by USLE for each sub-basin, assuming the value obtained as a function of the

input area.

6.3. RESULTS AND DISCUSSION

6.3.1 - Processing time optimization

After installing the script, the processing time is a few minutes per basin, 0.12 seconds per km2 in

computer with processor I7 and 8GB of RAM.

6.3.2 - Soil loss and geographical distribution of soil erosions

The three sub-basins show a similar pattern of soil use and occupation. Livestock activity occupies

the largest area always above 45%: (49.79% (RV), 52.28% (RE) and 49.45% (ER)), values similar to those

of still preserved areas: (43.39% (RV); 41.68% (RE) and 45.89% (ER). The latter situated on the banks of

waterways (riparian forests) and slopes (rocky grassland).

Entre Ribeiros: The highest erosion rates were found for Lithic Neosols and Haplic Cambisols (Figure

6.4a), which are associated with cliffs of the São Francisco plateau and Unai ridges, registering annual soil

loss values (A) greater than 12.7 t / ha year (Figure 6.4a).Due to the geomorphology and poor and shallow

soils, these areas are considered to be restricted to agriculture. Areas with lower erosion values in the ER

basin (Figure 6.4a) are located in geomorphology unit designated by São Francisco depression, where (A)

values range from 0.0t/ha.year to 12.6t/ha.year. Predominant soils are "red latosols" described as not

hydromorphic mineral soils, deep and porous, with thick B horizon, and in addition to these physical

characteristics (EMBRAPA, 1999), these are associated with a flat and gently wavy relief, where there are


73

large areas of irrigated agriculture, pastures and reforestation. The lowest erosion values are related to the

reduced slope along with the practice of good conservation techniques, despite the intense soil use. Rio

Escuro: Analyzing erosion maps (A) (Figure 6.4b) it was observed that the highest erosion rates are in Lithic

Neosols and Haplic Cambisols, with values above 17.2t/ha.year. Areas of flat and gently wavy relief show

the lowest A values, which range from 0.0t/ha.year to 17.1t/ha.year, dominated by red latosols and red

yellow latosols, which by their physical and chemical characteristics allow the development agricultural

activities. Rio Verde: In Rio Verde, the highest erosion rates (A) are found in Lithic Neosols and Yellow-

Red Ultisol (Figure 6.4c), where the relief is more uneven, and thus the LS factor is the responsible for the

high erosion rates (> 9.4t/ha.year). In the remaining area of the basin, values range from 0.0t/ha.year to

9.3t/ha.year. These low A values are associated to Red Ultisol, Yellow-Red Ultisol and Fluvic Neosol in

relatively flat reliefs. These areas are almost exclusively occupied by agricultural activities and pastures.

Analyzing the erosion results (A) in the three sub-basins, it was found that for being a region with intense

agricultural activity, soil loss in these areas remained within expected values, i.e., between 0.0t/ha.year and

9.3t/ha.year because, according to (Bertoni and Lombardi Neto, 1990), the soil loss tolerance in Brazil

ranges from 4.5 to 15.0t/ha.year with average of 10t/ha.year. The highest erosion rates were registered for

Lithic Neosols, and these values are related to cliffs. According to soil loss data, although these regions are

susceptible to erosion, the soil use and occupation map has shown that these are covered by natural

vegetation (forest and savanna), reducing the erosive process. However, if vegetation is removed, erosion

can occur.


74

Figure 6.4: a - Spatial soil erosion distribution (A) of the Entre Ribeiros sub-basin; b – Rio Escuro subbasin; c- Rio Verde sub basin.


75

6.3.3 - RESULTS VALIDATION

Observing data shown in Tables 6.2 and 6.3, it is clear that high erosion values (A), especially in the

Rio Escuro basin, are directly related to the LS factor and not the use of the basin. This trend becomes clear

when the results of the study sub-basins are observed, that is, the sub-basin with higher percentage of area

with LS values ≥2.1 (5.9% in Rio Verde, 15.03% in Entre Ribeiros and 22.86% in Rio Escuro), Rio Escuro

sub-basin presented the most discrepant values calculated for SDR. Several studies have shown that when

the LS factor is high (many sloping areas), this predominates over the other USLE parameters and hence

increases the A values (Zhang et al., 2011; Wenyi et al. 2013). When applied to areas with steep slopes, this

soil loss calculation model results in overvalued A values.

Table 6.2 - Sediment contribution (%) and soil loss average (A) in the stations and sub-basins.

Station/basin Area (Km2) SDR (%)

A (t.ha-1/ano)

Estimated by

USLE

Calculated from Y

Min. Max

Rio Verde 1317,48 0,287548 1653521

Rio Escuro 4375,22 0,22619 14845214

Entre Ribeiros 3962,52 0,23071 6486121

Santa Rosa 13066,49 0,18173

11115362 16067751

Porto Alegre 42170,19 0,143766 36169832 38117439

Table 6.3 - Estimated loss soil contribution (%) based on sub-basin areas

Area(%) Soil loss average (%)

Sub basin Santa Rosa Porto Alegre Santa Rosa Porto Alegre

Rio Verde

3,12

4,45

Rio Escuro 34,18 10,37 115,82 39,99

Entre Ribeiros 9,4 17,47

6. 4 - CONCLUSIONS

The results of this study showed that universal soil loss equation (USLE) was effective in estimating

the erosion in large watersheds when adapted to a Geographic Information System (GIS). The "USLE

Paracatu Watershed" script developed for these basins allowed the identification and characterization of soil

loss in a prompt, effective and robust manner. The processing time for the three sub-basins showed that

although areas are large, the average processing time was less than one second per km2. Thus, for future

management, this model could be used in a practical and effective way because now the user needs only to

enter updated data (DEM, Land Use/cover map and Rainfall map), and the software will automatically

process the algorithms previously described in the methodology, generating the product, in this case, the


76

amount of erosion of the selected area. This tool (script) will contribute to efficiency as it will optimize time

and will offer greater flexibility in order to enable the implementation of processes with updated input

parameters from different years, or even different locations. According to results obtained by Gomez (2012),

the soil erosion modeling on large scales using the universal soil loss equation (USLE) showed good results

in the characterization of the Brazilian territory. The automated (GIS) modeling provides an overview of the

system, allowing easy access to information by the general public, and therefore the generation of

conservation policies in units under study.

77

CAPÍTULO 7

USO DE SENSORIAMENTO REMOTO E CARTOGRAFIA DIGITAL NA

GESTÃO DA QUALIDADE DE SOLOS E SEDIMENTOS FLUVIAIS EM

BACIAS HIDROGRÁFICAS AGRÍCOLAS

RESUMO

A contaminação por metais pesados é grave um problema ambiental em muitos países, resultado da rápida

industrialização e urbanização. Solos e sedimentos fluviais não são apenas componentes básicos de bacias

hidrográficas, mas também funcionam como reservatórios para esses elementos, que podem causar danos

não só aos ecossistemas, mas também à saúde humana. Neste estudo, foram coletadas e analisadas amostras

de sedimentos e solos em três sub-bacias de elevada atividade agropecuária na bacia hidrográfica do rio

Paracatu. Os dados geoquímicos foram espacializados e relacionados com os dados de uso e ocupação

obtidos a partir de imagens de satélite. Os resultados apesar de não mostrarem contaminações dos solos por

metais pesados apontaram um acúmulo de As, Cd, Cr, Cu, Pd e Zn em sedimentos cujos cursos de água estão

sob a influência de atividades agropecuárias e de silvicultura. O uso de técnicas de sensoriamento remoto

aliadas à cartografia digital se mostraram ferramentas poderosas para se extrair informações espacialmente

significativas para a gestão de grandes bacias hidrográficas agrícolas.

Palavras-chave: Geoquímica, metais pesados, solos, sedimentos, SIG, Paracatu.

ABSTRACT

Heavy metal contamination is a serious environmental problem in many countries as a result of rapid

industrialization and urbanization. Fluvial sediments and soils are not only basic components of river basins

but also serve as reservoirs for these elements, which can cause damage not only to ecosystems but also to

human health. In this study, sediment and soil samples were collected and analyzed in three sub-basins of

high agricultural and cattle-raising activity in the Paracatu river basin. The geochemical data were spatialized

and related to the use and occupation data obtained from satellite images. The results, although they did not

show contaminations of the soils by heavy metals, indicated an accumulation of As, Cd, Cr, Cu, Pd and Zn in

sediments whose water courses are influenced by agricultural activities and silviculture. The use of remote

sensing techniques combined with digital cartography have proved to be powerful tools for extracting

spatially significant information for the management of large river basins.


78

Keywords: Geochemistry, heavy metals, soils, sediments, GIS, Paracatu


; Leite, Mariangela Garcia Praça Leiteb;

a,b Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro

Preto, MG, Brazil.

Artigo submetido à revista de Geosciences – Geociências, Rio Claro, SP, Brasil - eISSN: 1980-900X.

a*




79

7.1- INTRODUÇÃO

A contaminação dos solos e sedimentos por metais pesados tornou-se um dos principais problemas

ambientais em regiões agrícolas. Estratégias inadequadas, incluindo a aplicação pesada de fertilizantes e

pesticidas, foram adotadas em áreas agrícolas para alcançar alta produção de culturas. Isto levou a uma série

de consequências, especialmente a acumulação destes elementos no sistema solo-vegetais (Liu et al., 2011;

Khan et al., 2008; Khan et al., 2015). A concentração de metais nos solos tem influência direta sobre a saúde

humana, através da produção de alimentos. Daí porque estudos sobre o teor destes elementos estão se

tornando um dos índices de avaliação mais importantes da qualidade do solo (Fu et al., 2000). Segundo

Walling (2006), o transporte de partículas derivadas da erosão de solos para os rios, córregos e demais cursos

d’água deve ser visto como a chave do entendimento de transferência de materiais dos sistemas terrestres

para os aquáticos. Syvitski et al. (2003) estimam que 95% dos sedimentos que entram nos oceanos provém

de bacias hidrográficas, refletindo, em última análise, o desnudamento dos continentes (Walling, 2006),

promovendo a ciclagem geoquímica (Meybeck, 1994; Ludwig et al., 1996) através da transferência de

partículas e íons dos sistemas terrestres para ecossistemas aquáticos (Morton, 2003; Macklin et al., 2003;

Caritat, 2004). De acordo com Kamenov (2009), a agricultura tem sido responsável pela liberação uma

grande quantidade de metais pesados, causando concentrações nos sedimentos destes elementos em níveis

bem acima do esperado. Sendo os sedimentos reconhecidos como um importante repositório destes

elementos, estes acabam por se tornar uma fonte não pontual potencial que pode afetar diretamente as águas

e os ecossistemas aquáticos (Savic et al., 2015). Sedimentos contaminados são considerados mundialmente

como os contaminantes que mais contribuem para a degradação dos ecossistemas aquáticos, e, portanto,

problema eminente a ser resolvido para a preservação dos recursos hídricos. O mapeamento da distribuição

de metais pesados de bacias hidrográficas agrícolas de grandes dimensões (com mais de 1000 km2) é

fundamental para uma melhor identificação das fontes de poluição e consequentemente uma melhor

compreensão destas (Chen et al., 2012). Neste contexto, uma ferramenta indispensável para a cartografia

geoquímica consiste na utilização de um Sistema de Informações Geográficas (SIG), que permite armazenar,

analisar, manipular e gerenciar dados geográficos, viabilizando a criação de diferentes mapas temáticos e

sobreposição de diferentes tipos de informações.

7.2 - OBJETIVO

Neste trabalho foram estudados solos e sedimentos fluviais de três grandes sub-bacias agrícolas da

bacia hidrográfica do rio Paracatu, visando compreender a contaminações desses materiais por metais

pesados provenientes da atividade agrícola e a transferência destes elementos para os sistemas hídricos

associados.


80

7.3 - MATERIAIS E MÉTODOS

7.3.1 - Área de estudo

As três sub-bacias estudadas (Figura 7.1), inseridas no grande bioma Cerrado, fazem parte da bacia

hidrográfica do rio Paracatu são elas: A – sub bacia do rio Escuro (RE); B - sub bacia de Entre Ribeiros (ET)

e C - sub bacia do rio Verde (RV).

Figura 7.1 - Mapa da bacia hidrográfica do rio Paracatu, com destaque para as três sub-bacias estudadas.

No que diz respeito à geologia da bacia do rio Paracatu, esta é representada pela Formação Paracatu

(filitos carbonosos ou não e quartzitos); Formação Vazante (fosforitos, quartzito, pelitos, dolomitos,

conglomerados); Grupo Canastra (quartzitos, filitos e xistos); Grupo Bambuí- Formação Três Marias

(arcósios e pelitos); Grupo Santa Fé (diamictitos e arenitos); Coberturas detrítico lateríticas (depósitos

coluvionares e aluvionares). No caso das bacias estudadas, todas as rochas são sedimentares, predominando

os arenitos. As classes de solos presentes na bacia do rio Paracatu são: latossolos, cambissolos, neossolos,

quartzarênicos, hidromórficos e neossolos flúvicos (CETEC, 1981). Os óxidos e ferro presentes nos

latossolos contribuem para a agregação das partículas de silte e argila, permitindo que estes se comportem

como solos arejados e friáveis. Este tipo de solo ocupa grandes áreas nas três sub-bacias estudadas,

predominantemente nos planaltos, depressões e superfícies tabulares, regiões estas ocupadas por diversas

atividades agrícolas. Os cambissolos são caracterizados por possuírem uma boa drenagem superficial, sendo

pouco espessos, ou seja, quando sujeitos a eventos de fortes chuvas, são solos susceptíveis a processos


81

erosivos. Estes solos estão predominantemente a norte da bacia do rio Paracatu, nas Cristas de Unai. Os

neossolos litólicos estão restritos às áreas dissecadas do relevo, com relevo ondulado e montanhoso. Os solos

hidromorficos são solos permanentemente ou sazonalmente encharcados, ocorrendo em áreas de relevo mais

plano e rebaixado da bacia próximos aos rios, lagoas e veredas. As três sub-bacias são caracterizadas por

extensas áreas de silvicultura, pastagem e agricultura mecanizada com grandes sistemas de irrigação de

aspersão por pivô central e por longos canais de irrigação, sobre uma grande influência de insumos agrícolas

(corretivos, adubos, pesticidas, herbicidas).

7.3.2 - Classificação supervisionada do Uso e ocupação do solo

Para quantificar as áreas de uso e ocupação do solo das três sub-bacias, foi feito o mapa de uso e

ocupação do solo, usando o algoritmo Maximum Likelihood (MAXVER). Um método estatístico que

considera ponderação de distâncias entre médias dos níveis digitais das classes. A classificação foi realizada

nas imagens ASTER devido à sua alta resolução na zona do visível (15 metros), no ano de 2006. Esta

classificação teve como resultado final seis classes de uso e ocupação, que são: 1- Sombras; 2- Pivôs, 3-

Eucaliptos; 4 – Vegetação natural; 5- Pastagens; Água/áreas úmidas.

7.3.3 Coleta das amostras de solo e sedimento na área de estudo

Os pontos de amostragem do solo foram selecionados de modo a abranger todas as litologias de cada

sub-bacia, totalizando foram coletadas 38 amostras deformadas de solos: 13 em RE, 18 em ET e 7 em RV

(Figura 7.2). Foram coletados os 20cm superficiais, com auxílio de um trado mecânico. Já as amostras de

sedimentos foram coletadas no centro dos canais, nos principais rios e córregos. Foram obtidas 64 amostras

de sedimentos, com cerca de 500g cada, sendo: 40 em RE, 13 em ET e 11 em RV (Figura 7.2).


82

Figura 7.2 - Mapa de distribuição de solos e pontos de amostragem de sedimentos e solos nas três sub- bacias, sobre o mapa de solos: A – Sub-bacia do Rio

escuro; B – Sub-bacia de Entre Ribeiros; C – Sub-bacia do Rio Verde.


83

7.3.4 - Análise Geoquímica dos sedimentos e solos

As amostras de sedimentos e solos foram secas em uma capela a 40oC. Após secas, foram

desagregadas e homogeneizadas. Posteriormente estas foram peneiradas, numa malha de 230#, para obtenção

da fração fina. Para a digestão das amostras de sedimento e solo (< 0,063mm) foi utilizado o método da

Digestão Total, em que, pesou-se cerca de 0,250 g de cada amostra, utilizando uma balança analítica, no

interior de frascos Savillex. Em seguida foram adicionados 1 mL de ácido nítrico 10 mol/L seguido de 3 mL

de ácido clorídrico 10 mol/L. Os frascos abertos com a mistura foram colocados na placa aquecedora a cerca

de 110°C até a secura. Foram adicionados 2 mL de ácido fluorídrico concentrado, deixando os frascos

abertos na placa aquecedora (±110°C) até a secura. Em seguida, foram adicionados novamente 2 mL de

ácido fluorídrico concentrado, porém, fechando os frascos e deixando-os na placa aquecedora (±110°C) por

cerca de 30 horas. Os frascos foram retirados da placa e após resfriamento estes foram abertos e levados a

placa aquecedora (±110°C) até a secura. Foram adicionados 2 mL de ácido nítrico 10 mol/L e os frascos

aberto foram levados à secura na placa aquecedora (110°C). Novamente, adicionou-se 2 mL de ácido nítrico

10 mol/L e os frascos abertos foram levados à secura na placa aquecedora (±110°C). Foram adicionados 2

mL de ácido clorídrico 10 mol/L e os frascos abertos foram colocados na placa aquecedora à cerca de 110°C

até a secura. Os frascos foram retirados da placa e foram adicionados mais 25 mL de ácido clorídrico 2

mol/L. Os frascos foram fechados e após agitação foram colocado novamente na placa aquecedora (±110°C)

por 2 horas. Após o resfriamento, os frascos, ainda fechados, foram pesados em balança analítica. O

conteúdo foi homogeneizado e transferido para frascos de 30mL, etiquetados e encaminhados para análise.

Foi realizada a análise dos teores de Al, As, Ba, Be, Bi, Ca, Cd, Co, Cr, Cu, Fe, K, Mg, Mn, Mo, Na, Ni, P,

Pb, Sb, Sr, Th, Ti, V, Y, Zn e Zr via Espectrofotômetro de Emissão Atômica com Fonte de Plasma

Indutivamente Acoplado (ICP-OES), marca SPECTRO / modelo Ciros CCD em operação no

LGqA/DEGEO/UFOP

7.3.5 - Análises estatísticas e espaciais

Foram determinados os parâmetros estatísticos básicos usando-se o software Minitab®16. Os

resultados geoquímicos foram então comparados entre si e com as Resoluções Ambientais atualmente

vigentes no país: resolução CONAMA 420/2009 para os solos e resolução CONAMA 454/12 para os

sedimentos (foram considerados os valores acima do NIVEL 1 e do NÍVEL 2). Para estas análises

comparativas foram utilizadas as concentrações obtidas para os elementos: Arsénio, Cadmio, Cálcio,

Chumbo, Cobre, Cromo, Enxofre, Fósforo, Magnésio, Níquel e Zinco. Para a análise espacial dos dados e

confecção dos mapas geoquímicos foi utilizado software ArcGis Desktop 10.3®, aplicando-se a ferramenta

“quantities>graduated symbols”, que permite através de uma simbologia apropriada representar espacial a

concentração dos vários elementos químicos.


84

7.4 - RESULTADOS E DISCUSSÃO

Na tabela 7.1 estão os dados quantificados das classes do uso e ocupação das três sub-bacias, obtidos

através da classificação supervisionada.

Tabela 7.1 - Áreas e percentagens das classes de uso e ocupação nas três sub- bacias estudadas.

Classes Área (km2) Área (%) Área (km

2) Área (%) Área (km

2) Área (%)

Entre Ribeiros Rio Escuro Rio Verde

Sombras 2,89 0,09 25,33 0,59 5,17 0,39

Pivôs 57,62 1,79 19,38 0,45 0,66 0,05

Eucaliptos 0,0 0,0 176,77 4,13 70,72 5,37

Vegetação natural 1473,99 45,89 1786,05 41,68 571,71 43,39

Pastagens 1588,16 49,45 2240,25 52,28 655,91 49,79

Água/áreas úmidas 89,24 2,78 37,45 0,87 13,3 1,01

Total 3211,9 100 4285,23 100 1317,47 100

7.4.1 - Solos

Nos solos das três sub- bacias, todos os metais pesados se encontram em concentrações dentro do

intervalo definido pela resolução CONAMA 420/2009 (Tabela 7.2). Vale destaque, porém, para os valores

obtidos para Ca, Mg, K, P e S (não definidos na resolução), elementos principais dos corretivos e adubos

para solos utilizados nas atividades agropecuárias. Em alguns dos solos analisados, estes valores tiveram

concentrações até 20 vezes superiores ao mínimo encontrado (Tabela 7.2). Os solos naturais das áreas de

estudo são em sua maioria latossolos, ácidos e distróficos, apresentando baixa concentração de nutrientes (N,

P, K, Ca, Mg), além de alta saturação de Al, daí necessidade de aplicação desses corretivos e fertilizantes em

grandes quantidades. Os maiores valores dos conjuntos Ca+Mg (Figuras 7.3, 7.4 e 7.5), associados aos

corretivos, estão localizados nas áreas de silvicultura e agricultura, com destaque para áreas com os grandes

pivôs de irrigação na sub-bacia ET e as áreas com cultivos de eucaliptos nas demais sub-bacias. No caso dos

maiores valores do conjunto P+K (Figuras 7.3, 7.4 e 7.5), associados aos fertilizantes, estes ocorrem em

áreas de pastagem nas três sub-bacias, junto aos grandes pivôs de irrigação na sub-bacia ET e na área com

cultivos de eucaliptos na sub-bacia RE.


85

Tabela 7.2 - Resultados da geoquímica dos solos das sub bacias de : Rio Verde, Entre Ribeiros e Rio Escuro.

CONAMA SOLOS

420/2009 Rio Verde Entre Ribeiros Rio Escuro

(mg/Kg) Min Max Med Min Max Med Min Max Med

Ca -- 64,8 1339,0 459,3 0,9 202,8 69,5 23,3 4313,0 1117,4

Mg -- 51,5 2339,0 590,2 3,6 1101,0 494,4 78,1 1549,0 555,8

Ni 30 0,9 27,1 9,6 0,6 20,7 10,6 0,6 25,2 10,7

P -- 59,5 379,6 164,1 3,4 1108,0 453,6 119,0 736,0 428,9

S -- 29,8 411,9 127,2 73,0 300,2 157,7 2,1 376,8 157,2

K -- 109,4 1403,0 485,1 129,4 2779,0 1005,1 7,0 1937,0 903,9

Pb 72 7,7 53,9 22,1 1,0 54,0 17,8 1,0 34,9 14,6

Zn 300 11,9 88,0 35,8 0,9 300,2 117,5 0,6 159,6 57,4

As 15 1,6 5,9 2,0 1,6 7,0 2,1 1,7 6,0 2,0

Cd 1,3 0,4 0,7 0,4 0,4 0,7 0,4 0,4 1,2 0,6

Cu 60 5,3 27,9 13,5 0,3 33,2 22,2 0,3 43,6 27,2

Cr 75 23,3 97,5 42,9 0,2 161,5 56,3 0,2 107,4 48,8

- não foi medido

-- não tem valor estipulado no CONAMA


86

Figura 7.3 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Entre Ribeiros.


87

Figura 7.4 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Rio escuro.


88

Figura 7.5 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Rio Verde.


89

7.4.2 - Sedimentos

Nos sedimentos, merecem destaque as concentrações de alguns metais pesados, As, Cd, Cr, Ni, Pb e

Zn, que apresentaram valores superiores aos definidos pela resolução CONAMA 454/2012 (Tabela 7.3).

Tabela 7.3 - Resultados da geoquímica dos sedimentos das sub-bacias de: Rio Verde, Entre Ribeiros e Rio

Escuro.

CONAMA SEDIMENTOS

454/2012 Rio Verde Entre Ribeiros Rio Escuro

(mg/Kg) Min Max Med Min Max Med Min Max Med

Ca -- 336,0 10641,0 2193,3 153,0 2441,0 928,1 150,5 2577,0 905,3

Mg -- 458,2 8142,0 2905,9 1119,0 6143,0 3255,1 1120,0 6640,0 2943,8

Ni 18 21,5 6,6 37,6 14,0 38,0 22,0 10,2 34,1 19,5

P - 283,9 403,5 97,1 184,2 641,0 376,8 171,9 567,0 338,6

S ¯ ¯ ¯ 90,2 254,8 134,2 22,4 326,2 83,8

K 22,6 18892,0 8892,5 9314,0 36514,0 16269,0 9599,0 21045,0 14320,6

Pb 35 6,0 19,2 10,8 6,0 25,0 9,0 6,0 170,4 20,6

Zn 123 20,5 86,8 49,4 36,0 94,4 65,0 36,0 136,0 65,0

As 5,9 4,8 4,8 4,8 4,8 14,1 5,6 4,8 198,6 18,3

Cd 0,6 0,6 1,3 1,3 --- --- --- --- --- ---

Cu 35,7 2,6 33,1 15,7 15,2 46,5 25,8 9,9 159,8 33,3

Cr 37,3 33,0 101,6 58,1 49,6 103,6 72,7 44,4 100,9 65,7

- não foi medido

-- não tem valor estipulado no CONAMA

--- inferior ao LQ (limite de quantificação)

O As foi detectado acima do NIVEL 1 definido na resolução e, três pontos da sub-bacia ER e acima

do NÍVEL 2 em três pontos da sub-bacia RE . Apesar da proibição do uso de compostos inorgânicos com As

serem atualmente proibidos no Brasil, alguns compostos orgânicos como o ácido cacodílico, metilarsenato

disódico e metilarsenato monosódicon ainda são usados como pesticidas, além do arsênio ocorrer em

concentrações elevadas em alguns fertilizantes nitrogenados (Farooq et al., 2010, Perera et al., 2016).O Cd

foi detectado acima do NIVEL 1 em um único ponto da sub-bacia RV, localizado em curso de água próximo

à área de pastagem. O cádmio é um dos elementos presentes em fertilizantes fosfatados (Savic et al., 2015;

Perera et al., 2016). O Cr só foi não detectado acima do NIVEL 1 definido na resolução em um único ponto

da sub-bacia RV, nos demais pontos ou foi detectado acima do limite do NÍVEL 1 ou acima do nível 2

(Figuras 7.6, 7.7 e 7.8). Cabe destaque aos elevados valores encontrados próximos às áreas de silvicultura

nas bacias RV e RE (Figuras 7.6 e 7.8). O Cr está presente na composição da maioria dos fosfatos usada

como fertilizante (Hu et al., 2006).


90

Figura 7.6 - Mapas de uso e ocupação da sub bacia do Rv, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.


91

Figura 7.7 - Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.


92

Figura 7.8 - Mapas de uso e ocupação da sub bacia do RE, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.


93

O Cu foi encontrado com concentrações acima do NÍVEL 1 nas bacias ET (10% dos pontos) e RE

(25% dos pontos). No caso da bacia RE (Figura 6.8), estes pontos estão localizados à jusante de grandes

áreas agrícolas com pivôs de irrigação. Está presente na composição da maioria dos fertilizantes e em

fungicidas (Wang et al., 2004; Hu et al., 2006; Yang et al., 2009). O Ni foi não detectado acima do NIVEL 1

definido na resolução em metade ou mais dos pontos analisados nas três sub-bacias, em apenas um ponto da

sub-bacia RV o níquel foi detectado acima do limite do NÍVEL 2 (Figura 6.6), próximo à uma área de

silvicultura. O níquel é um micronutriente essencial, que pode melhorar a produtividade e diminuir a

ocorrência de doenças. Está presente na composição da maioria dos fertilizantes usados no cultivo de

eucaliptos (Vuori et al., 2003). O Pb foi detectado acima do NIVEL 2 em um único ponto da sub-bacia RE,

localizado também em curso de água próximo à área de pastagem. Fertilizantes nitrogenados podem conter

quantidades elevadas de alguns metais pesados como o chumbo (Hu et al., 2006; Yang et al., 2009). O Zn foi

detectado acima do NIVEL 1 em um único ponto da sub-bacia RE, localizado em curso de água próximo à

área de pastagem. Indispensável ao bom desenvolvimento das plantas, o zinco é um elemento presentes em

praticamente todos os fertilizantes (Savic et al., 2015).

7.5 - CONCLUSÕES

Na região do cerrado brasileiro, o rápido crescimento das áreas de agricultura e a introdução da

monocultura altamente dependente de insumos e de tecnologias agrícolas alavancou o uso de corretivos,

pesticidas e fertilizantes. Ricos em metais pesados, estes produtos químicos alteram a qualidade de solos e

sedimentos. O uso de técnicas de sensoriamento remoto acopladas à cartografia digital de dados geoquímicos

de solos e sedimentos, utilizadas neste trabalho, permitiram a espacialização dos dados e sua correlação com

o uso e ocupação das três sub-bacias estudadas. Com base nos dados obtidos, foi possível detectar a

contaminação de sedimentos fluviais por metais pesados (As, Cd, Cr, Ni, Pb e Zn), relacionados ao uso de

corretivos, pesticidas e fertilizantes em pastagens, áreas agrícolas e de silvicultura. Os resultados obtidos

mostraram que a confecção de mapas temáticos com dados geoquímicos é uma potente ferramenta para a

gestão de bacias hidrográficas agrícolas, de fácil obtenção e fácil entendimento tanto para os agentes

públicos como para os empresários e a população em geral.


94

95

CAPÍTULO 8

CONCLUSÕES

8.1- CONCLUSÕES

Os resultados obtidos nas três sub-bacias hidrogrpaficas demonstraram que o uso conjunto das

técnicas de sensoriamento remoto e cartografia digital podem auxiliar em muito a gestão destas unidades,

principalmente na realidade brasileira, ou seja, grandes unidades para gerenciar com escassez de dados

meteorológicos e geoquímicos. Os resultados permitiram chegar às seguintes conclusões:

1) O uso do produto MODIS 16 na estimativa da evapotranspiração (ET) mostrou-se promissor nas

sub-bacias estudadas. A análise dos dados ao longo de uma série de treze anos (2001 a 2014)

permitiu mapear as áreas ao longo da bacia que apresentavam maiores valores de ET, ou seja, onde

existe uma maior disponibilidade de água (pivôs), maior disponibilidade de água associada a

menores temperaturas (áreas de vegetação natural) e as áreas com silvicultura. Os gráficos de

boxplot criados a partir de pontos de amostragem das imagens MODIS ao longo das matas ciliares

mostraram pequenas oscilações ao longo dos anos, mas a ET tem clara tendência de aumento no

período estudado. Este método quando usado com dados de campo e outros métodos mais clássicos

(Thorthwait) podem contribuir para um melhor entendimento da dinâmica do sistema hídrico da

bacia, pois os mapas anuais permitem uma avaliação espaço-temporal de grandes bacias

hidrográficas, o que é tecnicamente impossível usando métodos convencionais.

2) A coleta de amostras de água ao longo dos rios das três sub-bacias, as quais se encontram sobre uma

grande atividade agropecuária e silvicultura, permitiu classificar as águas de acordo com a resolução

CONAMA 357/05, nas respectivas classes de uso. Os metais que apareceram com valores acima do

permitido por lei na água, foram: Al, Fe, Cu, Mn e Zn. A única fonte de contaminação que justifica a

presença destes elementos são os produtos usados nas atividades agrícolas, as quais são conhecidas

por constituírem as fontes difusas de poluição, sendo este um dos problemas comuns aos programas

de monitoramento da qualidade de água. Ou seja, sendo uma fonte difusa, normalmente nos

deparamos com os programas dos diferentes órgãos governamentais responsáveis pelo

monitoramento dos cursos de água, com uma metodologia inadequada, ou seja: a – coleta de

parâmetros errados; b- a escolha dos pontos de amostragem não representa a realidade hidrológica da

bacia; c – e a frequência de uma amostragem que não traduz a dinâmica da bacia. Esta realidade

evidência a extrema necessidade de se estabelecerem pontos de monitoramento mais adequados nas

sub-bacias, incluindo os pequenos canais de drenagem, para que assim se possam perceber as

diferentes particularidades encontradas na área e, como tal, auxiliar na sustentabilidade e gestão dos

recursos hídricos para as gerações futuras.


96

3) O desenvolvimento do script “USLE Paracatu Watershed” usando uma interface de SIG (software

ArcGis®) permitiu a identificação e caracterização da perda do solo de um modo rápido, eficaz e

robusto. Para uma gestão futura este modelo poderá ser usado de um modo prático e eficaz, pois o

usuário só precisa colocar os inputs de dados atualizados, que o software processará

automaticamente os algoritmos, gerando como produto final o valor da erosão da área selecionada. O

uso automatizado (geoprocessamento) na modelagem permite uma visão geral do sistema levando,

um acesso fácil às informações por parte do público em geral, e consequentemente a geração de

politicas conservacionistas da unidade em estudo.

4) Para além das amostras de água, também foram coletadas amostras de solos e sedimentos das três

sub-bacias. Os resultados demonstraram que os solos não apresentaram valores de metais pesados

acima do permitido pela resolução CONAMA 420/2009. No entanto, os dados evidenciaram um

acúmulo de As, Cd, Cr, Cu, Pb nos sedimentos cujos os cursos de água estão sob a influência de

atividades agropecuárias e silvicultura. A espacialização da concentração dos metais pesados ao

longo das três sub-bacias através de mapas temáticos permitiu que se tivesse uma melhor

compreensão dos fenômenos que ocorrem nas bacias hidrográficas e assim correlacionar esses

valores com o uso e ocupação do solo e inferir as possíveis fontes desses metais pesados.

A espacialização dos dados obtidos em campo possibilita uma melhor compreensão dos fenômenos

que ocorrem nas bacias hidrográficas, aumentando assim a capacidade de monitorar e gerenciar todos os

recursos por parte das agências responsáveis. Para além de poderem espacializar os dados, outras técnicas

permitem criar scripts, através dos quais são criadas rotinas automáticas, que têm como produto final um

mapa. Estes mapas irão ser quantitativos, demonstrando valores reais evapotranspiração, da perda do solo,

valores das concentrações dos diferentes elementos analisados, na água, solo e sedimento. Ou seja, o

sensoriamento remoto aliado à cartografia digital permite que sejam identificadas antecipadamente os fatores

de riscos e as áreas críticas, possibilitando assim aos agentes públicos uma melhor avaliação, reduzindo os

prazos pra resolver os problemas e minimizando os custos.

97

REFERÊNCIAS

Almeida F.F.M. 1977. Evolução Tectônica do Centro Oeste Brasileiro no Proterozóico. In: Anais da

Academia Brasileira de Ciências. Rio de Janeiro. 285-295.

Atlas Digital das Águas de Minas. http://www.atlasdasaguas.ufv.br/home.html. Acesso em 20 de abril de

2012.

Bertoni J. & Neto, L. 1990. Conservação do Solo. São Paulo. Icone. 335 p.

Beskow S., Mello C. R., Norton L. D., Curin., Viola M, R., Avanzi J. C.2009, Soil erosion prediction in the

Grande River Basin, Brazil using distributed modeling. Catena, 79 (1): 49-59.

Biggs T. W., Marshall M., Messina A. 2016. Mapping daily and seasonal evapotranspiration from irrigated

crops using global climate grids and satellite imagery: Automation and methods comparison. Water

Resources Research, 52 (9): 7311–7326.

Biswas A. K. 2000. Editorial comments on the world commission on water for the 21st century. Water

International 25 (2): 280–283.

Borges A. C., Dias J.C., Machado W., Patchineelam S. R. 2007. Spatial distribution of iron, copper and lead

in mangrove sediments in a gradient of degradation on Guanabara bay (Rio de Janeiro State)”. Quimica

Nova, 30 (1): 66-69.

Camargo, A.P. & Camargo M.B.P 2000. Uma Revisão Analítica da Evapotranspiração Potencial. Bragantia,

59 (2): 125–137.

Campos A. E. L., Nunes G. S., Oliveira J. C. S., Toscano L., Salata A., 2009. Contamination assessment of

Sabino affluent (Tibiri River) by heavy metals, generated by waste and effluents from the landfill of the

river, in São Luís, Maranhão. Quimica Nova, 32 (4): 1-5.

Caritat P., Jaireth S., Lech M., Pyke J. 2004. Regional geochemical surveys: Riverina Pilot Project—

methodology and preliminary results. Cooperative Research Centre for Landscape Environments and

Mineral Exploration Open File Report 160, 156 p.

Carr R., Zhang C., Moles N., Harder M. 2008. Identification and mapping of heavy metal pollution in soils

of a sports ground in Galway City, Ireland, using a portable XRF analyser and GIS. Environmental

Geochemistry and Health, 30(1): 45–52.

Carvalho M. P., Lombardi N., Filho V. J., Cataneo A. 1991. Corrrelação entre o índice de erosividade EI30

médio mensal e o coeficiente de chuva do município de Mococa – SP. Científica,19:1-7

CETEC – FUNDAÇÃO CENTRO TECNOLÓGICO DE MINAS GERAIS. 1981. II Plano de

Desenvolvimento Integrado do Noroeste Mineiro: Recursos Naturais. Belo Horizonte: Fundação

Centro Tecnológico de Minas Gerais.

Chaim A., Castro V. L.S. S., Galvão J. A. H. 2001. Method to monitor contamination of pesticide applicators

in the Culture of Tomato. Pesticidas. Revista Ecotoxicologia e Meio Ambiente, Curitiba, 11: 149-158.

Chen J., Wang F., Xia X., Zhang L., 2002. Major element chemistry of the Changjiang (Yangtze River).

Chemical Geolology. 187: 231– 255

Chen Y.; Liu Y.; Liu Y.; Lin A., Kong X., Liud., LI X., Zhang Y., Gao Y., Wang. D. 2012. Mapping of Cu

and Pb contaminations in soil using combined geochemistry, topography, and remote sensing: A case

study in the le’an river floodplain, China. International Journal of Environmental Research and Public

Health, 9 (5): 1874–1886.

http://www.atlasdasaguas.ufv.br/home.html


98

Chetelat B., Liu C.Q., Zhao Z.Q., Wang Q.L., Li S.L., Li J., Wang B.L. 2008. Geochemistry of the dissolved

load of the Changjiang Basin rivers: Anthropogenic impacts and chemical weathering. Geochimica et

Cosmochimica Acta. 72 : 4254–4277.

CONAMA, Conselho Nacional do Meio Ambiente. http://www.mma.gov.br/port/conama/ Resolução nº 357,

de 17 de Março de 2005.

CONAMA, Conselho Nacional do Meio Ambiente. Resolução n0 420/2009. Disponível em:

http://www.mma.gov.br/port/conama/. Acessado em: 06 março de 2017.

CONAMA, Conselho Nacional do Meio Ambiente. Resolução n0 454/12. Disponível em:

http://www.mma.gov.br/port/conama/. Acessado em: 11 março de 2017.

Crosta A.P. 2002. Processamento digital de imagens de sensoriamento remoto. Instituto de Geociências.

UNICAMP. Campinas.170p.

Dabral P. P., Baithuri N., Pandey A. 2008. Soil erosion assessment in a hilly catchment of North Eastern

India using USLE, GIS and remote sensing. Water Resources Management, 22 (12): 1783–1798.

Davies-Colley R.J. & Smith D.G. 2001.Turbidity, suspended sediment, and water clarity—A review. Journal

of the American Water Resources Association. 37 (5), 1085–1101.

Dennison P. E., Nagler P. L., Hultine K. R., Glenn E. P., Ehleringer J. R. 2009. Remote Sensing of

Environment Remote monitoring of tamarisk defoliation and evapotranspiration following saltcedar

leaf beetle attack. Remote Sensing of Environment, 113 (7): 1462–1472.

Desmet P. J. J., Govers G. 1996. A Gis procedure for automatically calculating the USLE LS factor on

topographically complex landscape units. Journal soil and Water Conservation, 51(5):427-433.

Devatha C. P., Deshpande V., Renukaprasad M. S. 2015. Estimation of Soil loss Using USLE Model for

Kulhan Watershed, Chattisgarh- A Case Study. Aquatic Procedia, 4: 1429–1436.

Dias R., 2001. Tietê: A river begins to revive. Revista Brasileira de Saneamento e Meio Ambiente. 18: 44–

48.

Djaman K., Tabari H., Balde A. B., Diop L., Futakuchi K., Irmak S. 2016. Analyses, calibration and

validation of evapotranspiration models to predict grass-reference evapotranspiration in the Senegal

river delta. Journal of Hydrology: Regional Studies, 8: 82–94.

Doughty C. E. & Goulden M. L. 2008. Are tropical forests near a high temperature threshold? Journal of

Geophysical Research-Biogeosciences, 113: 1-12.

EMBRAPA 1999- Empresa Brasileira de Pesquisa Pecuária. Sistema Brasileiro de Classificação de Solos.

Brasília: Serviço de Produção da Informação – SPI, 412p.

Erdogan E. H., Erpul G., Bayramin I. 2007. Use of USLE/GIS Methodology for Predicting Soil Loss in a

Semiarid Agricultural Watershed. Environemental Monitoring Assessment, 13 (1-3): 153–161.

ESRI, 2015. ArcGIS for Desktop, version 10.2.1: Gis Software. Redlands, CA, Environmental Sytems

Research Institute.

FAO. 1991. Elements for strategies and agenda for action. FAO/Netherlands Conference on

Agriculture and the Environment. s-Hertogenbosch, The Netherlands. FAO, Rome.

Faria R. A., Carvalho D. F., Ribeiro A., Oliveira M. A. A. 2000. Influência do método de estimativa da

evapotranspiração de referência na demanda de irrigação suplementar para o milho (Zea mays L.), na

bacia do Rio Verde Grande (MG). Ciências Agrotecnológicas, 24:187-196.

http://www.mma.gov.br/port/conama/


99

Farooq S.H., Chandrasekharam D., Berner Z., Norra S., Stüben D. 2010. Influence of traditional agricultural

practices on mobilization of arsenic from sediments to groundwater in Bengal delta. Water Research,

44 (19): 5575-5588.

Fisher D. S., Steiner J. L., Endale D. M., Stuedemann J. A., Schomberg H. H., Luebbers A. J. F. Wilkinson

S. R. 1999. The relationship of land use practices to surface water quality in the Upper Oconee

Watershed of Georgia. Forest Ecology an Management 128 (1): 39–48.

Fistikoglu O., Harmancioglu N. B. 2002. Integration of GIS and USLE in assessment of soil erosion. Water

Resources Management, 16 (6): 447–467.

Foster G.R., McCool D.K., Renard K.G., Moldenhauer W.C.1981. Conversion of the universal soil loss

equation to SI metric units. Journal of Soil and Water Conservation, 36 (6):355-359.

Foucher A., Blanes S. S., Evrard O., Simonneau E.C., Chapron E., Courp T., Cerdan O., Lefevre I.,

Adriaensen H., Lecompte F., Desmet M. 2014. Increase in soil erosion after agricultural

intensification : Evidence from a lowland basin in France. Anthropocene, 7: 30–41.

Fu B.J., Chen L.D., Ma K.M., Zhou H.F., Wang J. 2000. The Relationship between land use and soil

conditions in the hilly area of Loess Plateau in northern Shaanxi, China. Catena, 39: 69-78.

Fuck R.A., Pimentel M. M., Silva L.J.H.D.A 1994. Faixa Brasília e a Compartimentação Tectônica na

Província Tocantins. In: SIMPÓSIO DE GEOLOGIA DO CENTRO OESTE, 4. Brasília. Anais..

Brasília, SBG. p. 184-187.

Fujaco M.A.G., Leite M.G.P., Neves A.H.C. 2016. A gis-based tool for estimating soil loss in agricultural

river basins. Rem: Revista Escola de Minas, Ouro Preto, 69 (4), 417–424.

Ganasri B. P., & Ramesh H. 2015. Assessment of soil erosion by RUSLE model using remote sensing and

GIS - A case study of Nethravathi Basin. Geoscience Frontiers, 7 (6): 1–9.

Gómez J. D. P. 2012. Estimativa de erosão pela Equação Universal de Perda de Solo (USLE) e

transferência de sedimentos para todo território Brasileiro Piracicaba,. Universidade de São Paulo.

Escola Superior Agrícola de Agricultura “Luiz de Queiroz”. 90 p. (Dissertação de Mestrado).

Greenberg A. E., Clesceri L. S., Eaton A. D. 1992. Standard methods for the examination of water and

wastewater. 18ed. Ed. American Public Health Association.

Guo L., Di L., LiG., Luo Q., Gao M. 2015 GIS-based detection of land use transformation in the Loess

Plateau: A case study in Baota District, Shaanxi Province, China. Journal of Geographical Sciences, 25

(12): 1467–1478

Hu G., Jia L., Menenti M. 2015. Comparison of MOD16 and LSA-SAF MSG evapotranspiration products

over Europe for 2011. Remote Sensing of Environment, 156: 510–526.

Hu N., Li Z., Huang P., Tao C. 2006. Distribution and mobility of metals in agricultural soils near a copper

smelter in South China. Environmental Geochemistry and Health, 28 (1):19-26.

IBGE - Instituto Brasileiro de Geografia e Estatística -. Access on July, 31, 2009 http://www.ibge.gov.br.

IGAM – Instituto Mineiro de Gestão de Águas. 2006. Plano Diretor de Recursos hidricos da Bacia

Hidrográfica do Rio Paracatu. Instituto Mineiro de Gestão das Águas. 384p.

Jabloun M. & Sahli A. 2008. Evaluation of FAO-56 methodology for estimating reference

evapotranspiration using limited climatic data. Application to Tunisia. Agricultural Water

Management, 95(6): 707–715.

http://www.ibge.gov.br/


100

Joseph S. & Thomas, M. S. R. M. A. P. 2011. The progress on remote sensing technology in identifying

tropical forest degradation : a synthesis of the present knowledge and future perspectives.

Environmental Earth Science, 64: 731–741.

Kamenov G.D., Brenner M., Tucker J.L. 2009. Anthropogenic Versus Natural Control On Trace Element

And Sr–Nd–Pb Isotope Stratigraphy In Peat Sediments Of Southeast Florida (USA), 1500 AD to

Present. Geochimica et Cosmochimica Acta, 73: 3549–3567.

Khan A., Khan S., Khan M.A., Qamar Z., Waqas M. 2015. The uptake and bioaccumulation of heavy metals

by food plants, their effects on plants nutrients, and associated health risk: a review. Environmental

Science and Pollution Research, 22 (18): 13772–13799.

Khan S., Cao Q., Zheng Y.M., Huang Y.Z., Zhu Y.G. 2008. Health risks of heavy metals in contaminated

soils and food crops irrigated with waste water in Beijing, China. Environmental Pollution, 152 (3):

686–692.

Korzoun V. I., Sokolov A.A., Budyko M.I., Voskresensky K.P., Kalinin G.P. 1978. World water balance

and water resources of the earth. Studies and Reports in Hydrology (UNESCO). Paris: UNESCO

Press.

Lasanta T. & Vicente-serrano S. M. 2012. Remote Sensing of Environment Complex land cover change

processes in semiarid Mediterranean regions : An approach using Landsat images in northeast Spain.

Remote Sensing of Environment, 124: 1–14.

Leivas J. F., Teixeira A. H. C., Andrade R. G., Victoria D. C., Bolfe E. L. 2015. Evapotranspiração Em Área

De Arroz Irrigado Utilizando Imagens Modis. , Anais do III Inovagri International Meeting: 100–109.

Li F., & Lyons T. J. 1999. Estimation of Regional Evapotranspiration through Remote Sensing. Journal of

Applied Meteorology, 38 (11):1644–1654.

Likens G. E. 2004. Some Perspectives on Long-Term Biogeochemical Research From The Hubbard Brook

Ecosystem Study. Ecology. 85 (9): 2355-2362.

Lima E. D. P., Sediyama G. C., Andrade R. G., Lopes V. D., Barbosa, B. 2014. Evapotranspiração real diária

em sub-bacias do Paracatu , utilizando produtos do sensor Modis 1. Revista Ceres, 61 (1): 17–27.

Liu P., Zhaoh J., Wang L.L., Liu Z.H., Wei J.L., Wang Y.Q., Jiangl H., Dong L., Zhang Y.F. 2011. Analysis

of heavy metal sources for vegetable soils from Shandong Province, China. Agricultural Sciences in

China, 10 (1): 109–119.

Lu D., Li G., Valladares G. S., Batistella M. 2004.Mapping soil erosion risk in Rondonia, Brazilian

Amazonia: Using Rusle, Remote Sensing and Gis. Land Degradation and Development, 15: 499–512.

Ludwig W., Probst J.L., Kempe S. 1996. Predicting the oceanic input of organic carbon by continental

erosion. Global Biogeochemical Cycles, 10 (1): 23–41.

Macklin M.G.; Brewer P.A.; Balteanu D.; Coulthard T.J.; Driga B.; Howard A.J.; Zaharia S. 2003. The long

term fate and environmental significance of contaminant metals released by the January and March

2000 mining tailings dam failures in Maramures country, upper Tisa basin, România. Applied

Geochemistry, 18 (2): 241-257.

Maeda E. E., Wiberg D. A., Pellikka P. K. E. 2011. Estimating reference evapotranspiration using remote

sensing and empirical models in a region with limited ground data availability in Kenya. Applied

Geography, 31(1): 251–258.

Marques M. N., Cotrim M. B., Pires M. A. F. 2007. Assessing of agriculture impact in protected areas,

belonging to river basin of Iguape”. São Paulo. Quimica Nova. 30 (5) 1171-1178.


101

McCabe M. F. & Wood E. F. 2006. Scale influences on the remote estimation of evapotranspiration using

multiple satellite sensors. Remote Sensing of Environment, 105 (4): 271–285.

Mccool D. K., Brown L. C., Foster G. R., Mutchler C. K., Meyer L. D. 1987.Revised slope steepness factor

for the Universal Soil Loss Equation. Trans ASAE, 30: 1387-1396.

Menezes S. J. M.C.; Sediyama G. C., Soares V. P., Gleriani J.M., Pinto F.A.C, Andrade R.G.2007.

Evapotranspiração regional utilizando o SEBAL em condições de relevo montanhoso. Simpósio

Brasileiro de Sensoriamento Remoto, Florianópolis, 13 (2000): 3475–3482.

Meybeck M., Lestel L., Bonté P., Moilleron R., Colin J. L., Rousselot O., Hervé D., Pontevès C., Grosbois

C., Thévenot D. R. 2007.Historical perspective of heavy metals contamination (Cd, Cr, Cu, Hg, Pb, Zn)

in the Seine River basin (France) following a DPSIR approach (1950–2005). Science of Total

Environmental. 375: 204–231.

Meybeck, M. 1994. Origin and variable composition of present Day riverborne material. Material Fluxes on

the Surface of the Earth. National Academy of Sciences: 61–73.

Mohamed Y.A.; Bastiaanssen W.G.M.; Savenije H.H.G.2004. Spatial variability of evaporation and moisture

storage in the swamps of the upper Nile studied by remote sensing techniques. Journal of Hydrology,

287: 145-164.

Moors E. 2008. Evaporation. In: BERKENS MFP, DOLMAN AJ, TROCH PA. Climate and the hydrological

cicle. IAHS Publication. Wallingford, UK, p.23-41.

Moreira, L.C.J., Durand B. J., Teixeira A.D., Andrade E.M. 2010. Variabilidade local e regional da

evapotranspiração estimada pelo algoritmo sebal. Engenharia. Agrícola Jaboticabal, 30 (6): 1148–

1159.

Morton R.A. 2003.An Overview of Coastal Land Loss: with Emphasis on the Southeastern United States.

U.S. Geological Survey, Open File Report.p. 03-337.

Mota D.M., Silva L.F., Duarte P.A., Baptista G.M.M., Santos P.F. 2011. Validação do Modelo Espectral de

Estimativa de Evapotranspiração de Nagler et al. (2005) nos Domínios Morfoclimáticos da Caatinga e

do Cerrado no Oeste Baiano Brasileiro. VI Seminário Latino Americanno de Geografia Física. II

Seminário Ibero Americano de Geografia Física. Universidade de Coimbra: 1-8.

Mu Q., Heinsch F. A., Zhao M., Running S. W. 2007. Development of a global evapotranspiration algorithm

based on MODIS and global meteorology data. Remote Sensing of Environment, 111(4): 519–536.

Mu Q., Zhao M., & Running S. W. 2011. Improvements to a MODIS global terrestrial evapotranspiration

algorithm. Remote Sensing of Environment, 115 (8): 1781–1800.

Mulholland, D.S. 2009. Geoquímica Aplicada à Avaliação de Qualidade de Sistemas Aquáticos da Bacia do

Rio Paracatu (MG). Dissertação de Mestrado. Brasília-DF: IG/UNB. 95p.

Nagler P. L., Cleverly J., Glenn E., Lampkin D., Huete A., Wan Z. 2005. Predicting riparian

evapotranspiration from MODIS vegetation indices and meteorological data. Remote Sensing of

Environment, 94: 17–30.

Nagler P. L., Morino K., Murray R. S., Osterberg J., Glenn E. P. 2009. An empirical algorithm for estimating

agricultural and riparian evapotranspiration using MODIS enhanced vegetation index and ground

measurements of ET. I. Description of method. Remote Sensing, 1 (4): 1273–1297.

Nicholson F.A., Smith S.R., Alloway B.J., Carlton-Smith C., Chambers B.J. 2003. An inventory of heavy

metals inputs to agricultural soils in England and Wales. Science of Total Environmental. 311: 205–

219.


102

Nijs I., Ferris R., Blum H., Hendrey G., Impens I. 1997. Stomatal regulation in a changing climate: a field

study using Free Air Temperature Increase (FATI) and Free Air CO2 enrichment (FACE). Plant Cell

and Environment, 20 (8): 1041–1050.

Nosetto M. D., Jobbágy E. G., Brizuela A. B., Jackson R. B. 2012. Agriculture , Ecosystems and

Environment The hydrologic consequences of land cover change in central Argentina. “Agriculture,

Ecosystems and Environment,” 154: 2–11.

Oliveira L. C., Serudo R. L., Botero W. G., Mendonça A. G. R., Dos Santos A., Rocha, J. C., Neto F. D. S.

C. 2007. Distribuiçãoo de mercúrio em diferentes solos da bacia do médio Rio Negro-AM: Influência

da matéria orgânica no ciclo biogeoquímico do mercúrio. Quimica Nova, 30 2): 274–280.

Oliveira M.R, & Baptista G.M.M 2011 Validação do Modelo Espectral de Estimativa de Evapotranspiração

na Região de Gilbués, Piauí. Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR,

Curitiba, PR.n. 2001: 5925–5932.

Ortega-Farias S., Irmak S., Cuenca R. H. 2009. Special issue on evapotranspiration measurement and

modeling. Irrigation Science, 28 (1): 1-3.

Ozcan A. U., Erpul G., Basaran M., Erdogan H. E. 2008. Use of USLE/GIS technology integrated with

geostatistics to assess soil erosion risk in different land uses of Indagi Mountain Pass–Çankiri, Turkey.

Environmental Geology, 53 (8): 1731–1741.

Pandey A., Chowdary V. M., Mal B. C. 2007. Identification of critical erosion prone areas in the small

agricultural watershed using USLE, GIS and remote sensing. Water Resources Management, 21 (4):

729–746.

Peel M. C., Finlayson B. L., McMahon T. A. 2007. Updated world map of the K ̈oppen-Geiger climate

classification. Hydrology and Earth System Sciences, 11:1633–1644.

Perera P.A.C.T., Sundarabarathy T.V., Sivananthawerl T., Kodithuwakku S.P., Edirisinghe U. 2016. Arsenic

and Cadmium Contamination in Water, Sediments and Fish is a Consequence of Paddy Cultivation:

Evidence of River Pollution in Sri Lanka. Achievements in the Life Sciences, 10 (2): 144-160.

Plantar, 1996. Report water management plan of Paracatu River Basin.

Provenzano G., Tarquis A. M., Rodriguez-Sinobas L. 2013. Soil and irrigation sustainability practices.

Agricultural Water Management, 120: 1–4.

Ramalho J. F. G. P., Sobrinho,N. M. B. A., Velloso A. C. X. 2000. Contamination of Caetés micro basin

with heavy metals, by the use of agrochemicals. Pesquisa Agropecuaria. Brasileira. 35(7):1289-1303.

Regis R. C., 2007. Water crisis in Irrigation. The case of Entre Ribeiros river (MG). Master thesis.

University of Brasília (UnB).

Renard K. G., Foster G. A., Weesies G. A., Mccool D. K., yoder D. C. 1997. Predicting soil erosion by

water: a guide to conservation planning with the revised universal soil loss equation (RUSLE).

Washington: 703 p.

Renfro W. 1975. Use of erosion equations and sediment delivery ratios for predicting sediment yield, in

present and prospective technology for predicting sediment yield and sources. USDA ARSS-40.

Washington: 33-45.

Rodrigues S., 2001.New Step in the decontamination of Guanabara basin. Revista Brasileira de Saneamento

e Meio Ambiente. 18: 42–43.

Ruralminas. 1996. Plano Diretor de Recursos Hídricos da Bacia do Rio Paracatu – Planpar. Consórcio

MAGNA / DAM / EYSER - Governo de Federal, Governo do Estado de Minas Gerais, Governo do


103

Distrito Federal, Brasil, Fevereiro.

Santos J. S., Santos M. L. P., Conti M. M., Santos S. N., Oliveira E. 2009. Evaluation of some metals in

Brazilian coffees cultivated during the process of conversion from conventional to organic agriculture.

Food Chemistry, 115 (4): 1405–1410.

Santos L.M.P., Santos J.S., Santos J.R., Oliveira L.B. 2008.Effects of urban and rural runoff on water quality

of Verruca stream in Vitoria Conquista – Bahia, Brazil. Quimica Nova. 31 (8): 1997-2003.

Savic R., Ondrasek G., Josimov-Dundjerski J. 2015. Heavy metals in agricultural landscapes as hazards to

human and ecosystem health: a case study on zinc and cadmium in drainage channel sediments.

Journal of Science and Food Agriculture, 95 (3): 66-70.

Sharma M. L. 1984. Evapotranspiration from a Eucalyptus community. Agricultural Water Management, 8

(1): 41–56.

Shuttleworth W.J. 1993. Evaporation. In: MAIDMENT D. R. 1993. Handbook of Hydrology. New York,

USA: McGRaw Hill, p. 4.1-4.53.

Silva B.B., Lopes G.M., Azevedo P.V. 2005. Balanço de radiação em áreas irrigadas utilizando imagens

Landsat 5 - TM. Revista Brasileira de Meteorologia, 20 (2): 243–252.

Silva V. C. 2001. Erosão atual, erosão potencial e aporte de sedimento na bacia do Rio Paracatu

(MG/GO/DF). Brasília. Universidade de Brasília, 222 p. (Tese de Doutorado).

Souza C.F. 1997. Litoestratigrafia e sedimentologia da Formação Vazante na região de Coromandel – MG.

Dissertação de Mestrado. Instituto de Geociências, Universidade de Brasília, Brasília, 76p.

Sreeja K. G. C., Madhusoodhanan G., EldhoT. I. 2015.Transforming river basins : Post-livelihood transition

agricultural landscapes and implications for natural resource governance. Journal of Environmental

Management, 159: 254–26.

Stewart J. B. 1984. Measurement and prediction of evaporation from forested and agricultural catchments.

Agricultural Water Management, 8 (1–3): 1–28

Syvitski J.P.M., Peckham S.D., Hilberman R., Muldert. 2003. Predicting the terrestrial flux of sediment to

the global ocean: a planetary perspective. Sedimentary Geology, 162 (3-4): pp.345.

Tabari H. & Hosseinzadeh T. P. 2014. Sensitivity of evapotranspiration to climatic change in different

climates. Global and Planetary Change, 115: 16–23.

Teuling A. J., Hirschi M., Ohmura A., Wild M., Reichstein M., Ciais, P., Seneviratne S. I. 2009. A regional

perspective on trends in continental evaporation. Geophysical Research Letters, 36 (2).

Thomas M., Neill C., Deegan L.A., Krusche A.V., Ballester V.M., Victoria R.L., 2004. Influences of land

use and stream size on particulate and dissolved materials in a small Amazonian stream network.

Biogeochemistry. 68 (2): 135 – 151.

Tucci C. E. M., Hespanhol I., Netto, O. M. 2000. Scenarios of Water Management in Brazil. Contribution to

a World Vision of the Water. Revista Brasileira de Recursos Hídricos. 5 (3), 31–43.

Turner B. L., Clark W. C., Kates R. W., Richards J. F., Mathews J. T., Meyer W. B. (1990). The Earth as

transformed by human action: global change and regional changes in the biosphere over the past 300

years. Cambridge University Press, with Clark University.

Ungureanu T., Iancu G. O., Pintilei M., Chicos M. M. 2016. Spatial distribution and geochemistry of heavy

metals in soils: A case study from the NE area of Vaslui county, Romania. Journal of Geochemical

Exploration, 176: 20–32.


104

USGS/NASA (U.S. Geological Survey). https://earthexplorer.usgs.gov/.

Van Rompaey A.J.J., Govers G., 2002. Data quality and model complexity for regional scale soil erosion

prediction. Geomorphology 16 (7): 663–680.

Vrieling A. 2006. Satellite remote sensing for water erosion assessment: a review. Catena, 65: 2–18.

Vuori K. M., Siren O., Luotonen H. 2003. Metal contamination of streams in relation to catchment

silvicultural practices: a comparative study in Finnish and Russian headwaters. Boreal Environment

Research, 8: 61-70.

Walling D.E. 2006. Human impact on land–ocean sediment transfer by the world's Rivers. Geomorphology,

79 (3-4):192–216.

Wang C., Shen Z., Li X., Luo C., Cheny., Yang H. 2004. Heavy metal contamination of agricultural soils

and stream sediments near a copper mine in Tongling, People's Republic of China. Bullet

Environmental Contaminatiom Toxicol, 73 (5):862-869.

Wang D., Gong J., Chen L., Zhang L., Song Y., Yue Y. 2011. Spatio-temporal pattern analysis of land

use/cover change trajectories in Xihe watershed. International Journal of Applied Earth Observation

and Geoinformation, 14 (1): 12–21.

Warren A. 2002. Land Degradation is Contextual. Land Degradation and Development, 13: 449-459.

Wenyi, S., Shao, Q., Liu, J. 2013.Soil erosion and its response to the changes of precipitation and vegetation

cover on the Loess Plateau. Journal of Geographical Sciences, 23 (6): 91–1106.

Wischmeier W.H. 1976. Use and misuse of the universal soil loss equation. Journal of soil and Water

Conservation, 31: 5-9. Wischmeier, W. H., Smith, D. D. 1978. Predicting Rainfall Erosion Losses - A Guide to Conservation

Planning. Agriculture Handbook. Agriculture Science and Education Administration. Washington, 58

p.

Xiao H., & Weng Q. 2007. The impact of land use and land cover changes on land surface temperature in a

karst area of China. Journal of Environmental Management, 85 (1); 245–57.

Yang Y., He Z., Lin Y., Phlips E. J., Stoffella P. J., Powell C. A. 2009. Temporal and spatial variations of

copper, cadmium, lead, and zinc in Ten Mile Creek in South Florida, USA. Water Environment

Research, 81 (1): 40-50.

Zhang C., Xie G., Liu C., Lu C. 2011. Assessment of soil erosion under woodlands using USLE in China.

Frontiers of Earth Science, 5 (2): 150–161,

Zhou W., Wu B. 2008. Assessment of soil erosion and sediment delivery ratio using remote sensing and GIS:

a case study of upstream Chaobaihe River catchment, north China. International Journal of Sediment

Research, 23 (2): 167-173

https://earthexplorer.usgs.gov/


105

Ficha de Aprovação

TESE DE DOUTORAMENTO

TÍTULO: O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas

Agrícolas.

AUTOR(A): MARIA AUGUSTA GONÇALVES FUJACO

ORIENTADOR: MARIANGELA GARCIA PRAÇA LEITE

Aprovada em: _______/_______/_______

PRESIDENTE:

BANCA EXAMINADORA

Prof(a) Dr(a) Nome e assinatura _____________________________________ DEGEO/UFOP



Prof(a) Dr(a) Nome e assinatura ________________________________________ IGC/UFMG

Prof(a) Dr(a) Nome e assinatura ________________________________________ IGC/UFMG

Ouro Preto, _______/_______/_______

o uso do sensoriamento remoto e da cartografia … · escola de minas. departamento de geologia....

Documents